DetectAndTrack github项目解析

数据集和评价

我们使用稍微修改过的PoseTrack数据集，其中我们重命名帧以遵循%08d格式，第一个帧被索引为1(即00000001.jpg)。下载并从PoseTrack下载页面中提取数据到lib/datasets/data/PoseTrack(或者创建到这个位置的符号链接)。然后，按照上面的描述重新命名每个视频的帧，或者使用工具/gen_posetrack_json.py，它转换数据并生成与Detectron兼容的JSON格式的标签。我们已经在lib/datasets/lists/PoseTrack/v1.0中提供了相应的train/test JSON文件，这些文件已经转换为COCO格式。数据的路径在lib/dataset /json_dataset中硬编码.py文件。
对于评估，代码包含一个经过多次处理的经过修改的poseval版本，以获得更快的结果。我们已经验证了这段代码中的数字与我们从评估服务器中得到的数字相匹配。由于评估是使用提供的代码完成的，所以我们还需要提供带有标签的MAT/JSON文件，这些标签由代码用来计算最的数字。您可以从这里下载这些文件,并将它们提取为lib/datasets/ data/ PoseTrackV1.0_Annots_val_json。
注意:将val文件解压缩到一个快速的本地磁盘中。由于某种原因，如果这些文件存储在NFS目录中，那么性能会略有不同。这可能是评估代码的问题(组织者还在本地和评估服务器上使用他们的代码发现了略微不同的数字)，但是由于差异非常小(总体MOTA大约为0.1%)，我暂时忽略了它。当将val文件存储在一个快速的本地磁盘上时，我可以准确地复制本文报告的性能。然而，在任何磁盘上，趋势应该保持不变，只有绝对数字的微小变化。

运行代码

我们提供了一个漂亮的小脚本启动。能够运行任何 train/test/detection 工作流的py。与Detectron类似，每个实验都完全由YAML配置文件定义。我们提供了在本文中重现我们报告的性能所需的配置文件。总的来说，这个脚本可以这样使用:

/path/ to/config.yaml是带有实验配置的yaml文件的路径(有关一些示例，请参阅config目录)。 模式定义了是否要运行train/ test/ detection 评估，其他的配置选项引用任何其他的配置选项(参见lib/core/config)。完整列表中的py)。这个命令行配置选项具有最高的优先级，因此它将覆盖YAML文件中的任何默认值或规范，使其成为试验特定配置的一种快速方法。我们将在下面的部分中展示示例。
在开始之前，在根目录中创建一个空的输出/文件夹。这也可以与一些大型磁盘进行符号链接，因为我们将把所有输出模型、文件存储在这个目录中。命名约定是输出/路径/到/配置/文件。为便于使用，训练代码将自动运行测试，测试代码将自动运行跟踪，跟踪后自动运行评估并生成最终性能。

运行跟踪和评估预培训，预测试的模型

我们在这里的目录中提供了预先训练好的模型和文件。您可以选择将整个目录作为trained_models/下载到根目录中，或者下载您最终需要的各个模型。
首先，让我们从简单地运行跟踪和评估我们最好的模型的性能开始(赢得了PoseTrack挑战)。我们将直接使用val集上的输出检测和运行跟踪(稍后我们将进行测试并生成这个检测)。正如您将注意到的，跟踪非常快，并获得了强大的性能。运行标准匈牙利匹配如下:

测试pre-trained模型

我们还可以从预先训练好的模型中计算检测文件，如下所示。这也会自动运行跟踪和评估，以产生最终的数字。确保使用num_gpu与要测试的gpu相同(如CUDA_VISIBLE_DEVICES中设置的那样)。这应该复制上述报告的性能，55.2% MOTA和60.6% mAP。类似地，您可以使用相应的配置文件对提供的任何模型运行测试。

训练模型

本文报道的模型最初是在8xP100 (16GB) gpu上进行训练的。由于许多用户可能无法访问此类gpu，我们还提供了在1080Ti (11GB) gpu上经过train/test的其他配置。为了减少对内存的需求，我们减少了批处理的大小，同时降低了学习速率。我们将迭代计划(总迭代数，步长)扩展了相同的因素，并且到目前为止已经获得了几乎相似的性能。
接下来我们将展示一些运行示例。我们还在trained_models文件夹中提供经过训练的模型和检测文件，这些文件可以用来复制数字。训练也将复制几乎相同的性能，除了一些微小的随机变化。

注：

在跑测试的时候，出现了内存的错误，查找原因是由于地一块GPU卡被占用，换成另一块卡之后，就成功了。