YOLOV4+DeepSort车流量检测基础版

YOLOV4+DeepSort车流量检测基础版

资源下载：

链接：https://pan.baidu.com/s/1Mv1VI1Wa5MUaHuKz9hlniQ
提取码：lmpk
复制这段内容后打开百度网盘手机App，操作更方便哦--来自百度网盘超级会员V4的分享

1.配置Anaconda+Pycharm

参考：https://www.cnblogs.com/shijingwen/p/14181885.html

2.环境配置

在 Anconda Prompt 中，推荐创建新的虚拟环境

# 创建虚拟环境  xxx自己命名
conda create xxx
# 激活虚拟环境
​
# 安装依赖，这里使用的TensorFlow 2  GPU版
pip install -r requirement-gpu.txt

Tips:

1. 使用tensorflow-gpu版需配置GPU参考：help/pdf/Windows版YOLOv4目标检测实战：Windows系统上的软件安装，如果不使用tensorflow-gpu使用配置文件：config/requirement.txt
2. requirement-gpu.txt或requirement.txt配置文件放C:\Users\xxxx下

 例如我的就把配置文件放在C:\Users\xxxx下(Ps:xxxx是我的当前用户文件位置)

如果网络不好可以使用国内镜像， pip install xx -i http://xxx
国内的几个常用镜像地址：
豆瓣 ： https://pypi.douban.com/simple
中国科学科技大学 ： https://mirrors.ustc.edu.cn/pypi/web/simple/
清华大学 ：https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple/

3.预训练模型下载

本demo使用YOLOV4进行目标检测+DeepSort进行跟踪。

使用官方预训练好的目标检测模型，有80类物体可以检测。

yolov4.weights：https://drive.google.com/file/d/1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT/view?usp=sharing

yolov4-tiny.weights(小模型，运行更快但精度略低)：https://drive.google.com/file/d/1ZVmrenfMJBqIWf5f5NAHNBxQw6DNJgvO/view?usp=sharing

Tips:

模型在: model 文件夹下

 4.使用YOLOV4

# 将Darknet权重转换为Tensorflow模型
python save_model.py --model yolov4 
​
# 在视频上运行yolov4深度排序对象跟踪器
python object_tracker.py --video ./data/video/test.mp4 --output ./outputs/demo.avi --model yolov4
​
# 在网络摄像头上运行yolov4深度排序对象跟踪器(将视频标志设置为0)
python object_tracker.py --video 0 --output ./outputs/webcam.avi --model yolov4

5. 使用YOLOV4-Tiny

# 保存yolov4-tiny模型
python save_model.py --weights ./data/yolov4-tiny.weights --output ./checkpoints/yolov4-tiny-416 --model yolov4 --tiny
​
# 运行yolov4-tiny对象跟踪器
python object_tracker.py --weights ./checkpoints/yolov4-tiny-416 --model yolov4 --video ./data/video/test.mp4 --output ./outputs/tiny.avi --tiny

6.目标跟踪的范围

一般情况下，默认是coco数据集中所有的80个类。可以在

demo/object_tracker.py中更改如下第160和163行位置代码

Tips:

    # 注释160,它读取cocoa .names里的跟踪类
160 #allowed_classes = list(class_names.values())
# 自己从80类中选需要的类，这里只允许car类
163 allowed_classes = ['car']

7.命令行参数参考

save_model.py:
  --weights: path to weights file
    (default: './data/yolov4.weights')
  --output: path to output
    (default: './checkpoints/yolov4-416')
  --[no]tiny: yolov4 or yolov4-tiny
    (default: 'False')
  --input_size: define input size of export model
    (default: 416)
  --framework: what framework to use (tf, trt, tflite)
    (default: tf)
  --model: yolov3 or yolov4
    (default: yolov4)
object_tracker.py:

--video: path to input video (use 0 for webcam)

(default: './data/video/test.mp4')

--output: path to output video (remember to set right codec for given format. e.g. XVID for .avi)

(default: None)

--output_format: codec used in VideoWriter when saving video to file

(default: 'XVID)

--[no]tiny: yolov4 or yolov4-tiny

(default: 'false')

--weights: path to weights file

(default: './checkpoints/yolov4-416')

--framework: what framework to use (tf, trt, tflite)

(default: tf)

--model: yolov3 or yolov4

(default: yolov4)

--size: resize images to

(default: 416)

--iou: iou threshold

(default: 0.45)

--score: confidence threshold

(default: 0.50)

--dont_show: dont show video output

(default: False)

--info: print detailed info about tracked objects

(default: False)

 Tips: YOLOV4+DeepSort车流量检测网页显示