1、算法简介

DeepSort是对Simple Online and Realtime Tracking（Sort）的扩展，它通过预先训练的深度关联度量来整合外观信息。使用视觉外观空间中的最近邻查询来建立测量到跟踪的关联，能够通过更长时间的遮挡来跟踪对象，有效减少身份切换的数量。使 Sort 成为当时最先进的在线跟踪算法，而且该算法易于实现并实时运行。

Wojke N , Bewley A , Paulus D . Simple Online and Realtime Tracking with a Deep Association Metric[C].IEEE International Conference on Image Processing (ICIP)，Beijing，China. 2017：3645-3649.

上图是在具有频繁遮挡的常见跟踪情况下，我们的方法在 MOT 数据集 上的示例输出。

我们在 MOT16 基准测试上评估我们的跟踪器的性能。该基准评估了七个具有挑战性的测试序列的跟踪性能，包括带有移动摄像头的正面视图场景以及自上而下的监控设置。

跟踪 MOT16 Bench挑战的结果，我们将非标准检测与其他已发表的方法进行比较。可以看指标箭头，向上表示越高越好，向下表示越低越好。Deep Sort在ID这项远远优于Sort，同时保持有竞争力的 MOTA 分数、跟踪碎片和漏报，这也是本文的核心贡献。

2、准备工作

1、从下面三个网址 git clone 源代码，第1个是deepsort源代码，第2个是yolov5源代码，第3个是行人id模型。

1、https://github.com/mikel-brostrom/Yolov5_DeepSort_Pytorch2、https://github.com/ultralytics/yolov53、https://github.com/KaiyangZhou/deep-person-reid

2、按下面目录放置好，最外层是下载的第一个文件夹yolov5-deepsort-pytorch，然后将yolov5文件夹移到该目录下，如下图所示：

3、然后在strong_sort下面的deep下放入我们下载好的deep-person-reid文件夹。

4、创建一个weights模型文件夹，然后放入你需要的weights，这个大家应该很熟悉了，一个是yolov5s.pt，还有一个是osnet_x0_25_msmt17.pth，前者从上面的yolo下载页面上可以找到；后者在strong_sort/deep/checkpoint下，直接复制过来即可。就像这样：

3、环境配置

如果之前没有部署过深度学习算法，强烈建议先看yolov5环境的详细部署：Ubuntu20.04部署yolov5目标检测算法，开发板/无人机应用

1、安装anaconda，然后创建一个python3.8的环境，相信大家应该很熟悉了，这里就不再赘述。激活该环境，然后cd到最外层目录，输入下面命令来安装requirements.txt所需的库。deepsort是基于sort和yolo的，所以环境需求就是yolo的环境。

pip3 install -U -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

使用上面方法会非常顺利地安装成功，不需要科学上网。

2、进入deep-person-reid目录，运行python setup.py develop，即可安装好REID环境。

4、算法运行

进入配置的anaconda环境，输入python track.py运行程序，可以加入参数进行调整，比如下面五种参数很常用。

python track.py --yolo-weights weights/yolov5m.pt    // yolov5权重文件                --source     test.mp4                // 输入视频文件                --show-vid                           // 显示跟踪视频                --classes 0 2                        // 0 = 行人类别， 2=小汽车类别。                --save-vid                           // 保存跟踪视频

我们看下单个视频的运行效果，通过yolo检测之后，deepsort对目标进行相邻帧的跟踪：

效果很不错，可以有效减少因遮挡产生的ID切换。怎么样，你学会了吗？

本文首稿完成于2022-06-29 15:51:17