MAC M2芯片执行yolov8 + deepsort 实现目标跟踪

MAC M2芯片执行yolov8 + deepsort 实现目标跟踪

MAC M2 YoloX + bytetrack实现目标跟踪

实验结果 MAC mps显存太小了跑不动 还是得用服务器跑 需要实验室的服务器跑 因为网上花钱跑4天太贵了！！！

步骤过程尝试：

执行mot17 数据集 到coco格式

python3 tools/convert_mot17_to_coco.py

执行mps发现显存不够用

选择autodl 上的服务器进行训练

安装conda install git

然后重新进行 pycocotools.进行

step 2 安装docker 环境

sudo apt-get install \
    apt-transport-https \
    ca-certificates \
    curl \
    gnupg-agent \
    software-properties-common

添加官方秘钥

$ curl -fsSL https://mirrors.ustc.edu.cn/docker-ce/linux/ubuntu/gpg | sudo apt-key add -

安装docker环境失败 也是可以运行的

不影响bytetrack训练

这个是使用best权重计算得到的

下面是使用pretrain自己生成的得到的

同时 可以比较其他的追踪器

使用sort跟踪【结果】：

训练自己上传自定义的跟踪视频

下载比较结果

10个轮次的结果不够分析 需要实验室的服务器进行深度训练

传统理解为，IoU大于50%的时候，认为是目标检测到了。

为了更细化区分网络的性能，COCO数据集的评价标准中，把IoU的值从50%到95%每隔5%进行了一次划分。

具体来说，0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95 ，一共十个，每次测试的时候都是在IoU=这个数上测试的。

在这10组precision-recall对中，我们对这十个值取平均（我理解为，10个PR曲线下得到的AP值，然后对这10个AP进行平均），得到了一个AP@[0.5:0.95]

有时固定IoU的阈值，比如50%或75%，也就是AP50和AP75，意味着IoU为50%或者75%时的AP值。

·为什么要在不同的IoU情况下求AP和AR？

方便模型进行惩罚差的结果，优化好的结果。