简体中文 | English
| 训练数据集 | 输入尺度 | 总batch_size | val MOTA | test MOTA | FPS | 配置文件 | 下载链接 |
|---|---|---|---|---|---|---|---|
| MOT17-half train | 544x960 | 32 | 69.2(MOT17-half) | - | - | config | download |
| MOT17 train | 544x960 | 32 | 87.9(MOT17-train) | 70.5(MOT17-test) | - | config | download |
| MOT17 train(paper) | 544x960 | 32 | - | 67.8(MOT17-test) | - | - | - |
注意:
- CenterTrack默认使用2 GPUs总batch_size为32进行训练，如改变GPU数或单卡batch_size，最好保持总batch_size为32去训练。
- val MOTA可能会有1.0 MOTA左右的波动，最好使用2 GPUs和总batch_size为32的默认配置去训练。
- MOT17-half train是MOT17的train序列(共7个)每个视频的前一半帧的图片和标注用作训练集，而用每个视频的后一半帧组成的MOT17-half val作为验证集去评估得到val MOTA，数据集可以从此链接下载，并解压放在
dataset/mot/文件夹下。 - MOT17 train是MOT17的train序列(共7个)每个视频的所有帧的图片和标注用作训练集，由于MOT17数据集有限也使用MOT17 train数据集去评估得到val MOTA，而test MOTA为交到MOT Challenge官网评测的结果。
通过如下命令一键式启动训练和评估
# 单卡训练(不推荐)
CUDA_VISIBLE_DEVICES=0 python tools/train.py -c configs/mot/centertrack/centertrack_dla34_70e_mot17half.yml --amp
# 多卡训练
python -m paddle.distributed.launch --log_dir=centertrack_dla34_70e_mot17half/ --gpus 0,1 tools/train.py -c configs/mot/centertrack/centertrack_dla34_70e_mot17half.yml --amp注意:
--eval暂不支持边训练边验证跟踪的MOTA精度，如果需要开启--eval边训练边验证检测mAP，需设置注释配置文件中的mot_metric: True和metric: MOT；--amp表示混合精度训练避免显存溢出；- CenterTrack默认使用2 GPUs总batch_size为32进行训练，如改变GPU数或单卡batch_size，最好保持总batch_size仍然为32；
注意首先需要注释配置文件中的mot_metric: True和metric: MOT:
### for detection eval.py/infer.py
mot_metric: False
metric: COCO
### for MOT eval_mot.py/infer_mot_mot.py
#mot_metric: True # 默认是不注释的，评估跟踪需要为 True，会覆盖之前的 mot_metric: False
#metric: MOT # 默认是不注释的，评估跟踪需要使用 MOT，会覆盖之前的 metric: COCO然后执行以下语句：
CUDA_VISIBLE_DEVICES=0 python tools/eval.py -c configs/mot/centertrack/centertrack_dla34_70e_mot17half.yml -o weights=output/centertrack_dla34_70e_mot17half/model_final.pdparams注意:
- 评估检测使用的是
tools/eval.py, 评估跟踪使用的是tools/eval_mot.py。
注意首先确保设置了配置文件中的mot_metric: True和metric: MOT；
然后执行以下语句：
CUDA_VISIBLE_DEVICES=0 python tools/eval_mot.py -c configs/mot/centertrack/centertrack_dla34_70e_mot17half.yml -o weights=output/centertrack_dla34_70e_mot17half/model_final.pdparams注意:
- 评估检测使用的是
tools/eval.py, 评估跟踪使用的是tools/eval_mot.py。 - 跟踪结果会存于
{output_dir}/mot_results/中，里面每个视频序列对应一个txt，每个txt文件每行信息是frame,id,x1,y1,w,h,score,-1,-1,-1, 此外{output_dir}可通过--output_dir设置，默认文件夹名为output。
注意首先需要注释配置文件中的mot_metric: True和metric: MOT:
### for detection eval.py/infer.py
mot_metric: False
metric: COCO
### for MOT eval_mot.py/infer_mot_mot.py
#mot_metric: True # 默认是不注释的，评估跟踪需要为 True，会覆盖之前的 mot_metric: False
#metric: MOT # 默认是不注释的，评估跟踪需要使用 MOT，会覆盖之前的 metric: COCO然后执行以下语句：
CUDA_VISIBLE_DEVICES=0 python tools/infer.py -c configs/mot/centertrack/centertrack_dla34_70e_mot17half.yml -o weights=output/centertrack_dla34_70e_mot17half/model_final.pdparams --infer_img=demo/000000014439_640x640.jpg --draw_threshold=0.5注意:
- 预测检测使用的是
tools/infer.py, 预测跟踪使用的是tools/infer_mot.py。
注意首先确保设置了配置文件中的mot_metric: True和metric: MOT；
然后执行以下语句：
# 下载demo视频
wget https://bj.bcebos.com/v1/paddledet/data/mot/demo/mot17_demo.mp4
# 预测视频
CUDA_VISIBLE_DEVICES=0 python tools/infer_mot.py -c configs/mot/centertrack/centertrack_dla34_70e_mot17half.yml --video_file=mot17_demo.mp4 --draw_threshold=0.5 --save_videos -o weights=output/centertrack_dla34_70e_mot17half/model_final.pdparams
#或预测图片文件夹
CUDA_VISIBLE_DEVICES=0 python tools/infer_mot.py -c configs/mot/centertrack/centertrack_dla34_70e_mot17half.yml --image_dir=mot17_demo/ --draw_threshold=0.5 --save_videos -o weights=output/centertrack_dla34_70e_mot17half/model_final.pdparams注意:
- 请先确保已经安装了ffmpeg, Linux(Ubuntu)平台可以直接用以下命令安装：
apt-get update && apt-get install -y ffmpeg。 --save_videos表示保存可视化视频，同时会保存可视化的图片在{output_dir}/mot_outputs/中，{output_dir}可通过--output_dir设置，默认文件夹名为output。
注意首先确保设置了配置文件中的mot_metric: True和metric: MOT；
CUDA_VISIBLE_DEVICES=0 python tools/export_model.py -c configs/mot/centertrack/centertrack_dla34_70e_mot17half.yml -o weights=https://paddledet.bj.bcebos.com/models/mot/centertrack_dla34_70e_mot17half.pdparams注意首先应在deploy/python/tracker_config.yml中设置type: CenterTracker。
# 预测某个视频
# wget https://bj.bcebos.com/v1/paddledet/data/mot/demo/mot17_demo.mp4
python deploy/python/mot_centertrack_infer.py --model_dir=output_inference/centertrack_dla34_70e_mot17half/ --tracker_config=deploy/python/tracker_config.yml --video_file=mot17_demo.mp4 --device=GPU --save_images=True --save_mot_txts
# 预测图片文件夹
python deploy/python/mot_centertrack_infer.py --model_dir=output_inference/centertrack_dla34_70e_mot17half/ --tracker_config=deploy/python/tracker_config.yml --image_dir=mot17_demo/ --device=GPU --save_images=True --save_mot_txts注意:
- 跟踪模型是对视频进行预测，不支持单张图的预测，默认保存跟踪结果可视化后的视频，可添加
--save_mot_txts(对每个视频保存一个txt)或--save_mot_txt_per_img(对每张图片保存一个txt)表示保存跟踪结果的txt文件，或--save_images表示保存跟踪结果可视化图片。 - 跟踪结果txt文件每行信息是
frame,id,x1,y1,w,h,score,-1,-1,-1。
@article{zhou2020tracking,
title={Tracking Objects as Points},
author={Zhou, Xingyi and Koltun, Vladlen and Kr{\"a}henb{\"u}hl, Philipp},
journal={ECCV},
year={2020}
}