1、demo文件夹： YOLOv4目标检测算法针对MVI_40192文件夹数据集的处理效果，比较满意，车辆信息基本都能检测到。 2、road1_demo文件夹： YOLOv4 + DeepSort算法，针对road1.mp4视频数据的目标跟踪、车流量计数效果。人工统计车流量292辆(可能有偏差)，算法统计车流量288辆。 3、road2_demo文件夹： YOLOv4 + DeepSort算法，针对road2.mp4视频数据的目标跟踪、车流量计数效果。人工统计车流量29辆，算法统计车流量29辆。 只要视频流车辆清晰、大小合适、轮廓完整，算法处理的精度挺高。 4、road1_tracking.mp4、road2_tracking.mp4： 由目标跟踪处理结果合成的视频流。 *********************************************************************************************** 1、deepsort文件夹： 含目标跟踪算法源码，包括：卡尔曼滤波、匈牙利匹配、边框类创建、Track类创建、Tracker类创建。 2、ReID文件夹： 含特征提取算法源码，model_data存储着reid网络的结构、权重，feature_extract_model.py用于创建特征提取类。 3、YOLOv4文件夹： 含目标检测算法源码，model_data存储yolov4网络配置、nets + utils用于搭建模型。decode.py用于将检测结果解码。 4、car_predict.py、yolo.py： 用于验证目标检测算法的效果。 5、main.py： 整个项目的运行入口，直接运行main.py，就可以调用YOLOv4+DeepSort，处理视频流信息，完成目标跟踪和车流量统计。

yolov4-deepsort 使用YOLOv4，DeepSort和TensorFlow实现的对象跟踪。 YOLOv4是一种先进的算法，它使用深度卷积神经网络来执行对象检测。 我们可以将YOLOv4的输出输入这些对象检测到Deep SORT（具有Deep Association Metric的简单在线和实时跟踪）中，以创建高度准确的对象跟踪器。 对象跟踪器演示 汽车上的对象跟踪器演示 入门 首先，请通过Anaconda或Pip安装适当的依赖项。 我建议使用GPU的人使用Anaconda路由，因为它可以为您配置CUDA工具包版本。 conda（推荐） # Tensorflow CPU con

使用YOLOv4和DeepSORT的行人跟踪

使用PyTorch进行深度排序 更新（1-1-2020） 变化 修正错误 重构代码 通过在gpu上添加nms来进行准确检测 最新更新（07-22） 变化 错误修复（感谢@ JieChen91和@ yingsen1进行错误报告）。 使用批处理为每个帧提取特征，这会导致速度提速。 代码改进。 进一步的改进方向 在特定数据集而不是官方数据集上训练检测器。 在pedestrain数据集上重新训练REID模型以获得更好的性能。 将YOLOv3检测器替换为高级检测器。 欢迎对此存储库做出任何贡献！ 介绍 这是MOT跟踪算法深度排序的一种实现。 深度排序与排序基本相同，但深度CNN模型添加了CNN模型以提取受检测器限制的人体部位图像中的特征。 这个CNN模型确实是一个RE-ID模型， 使用的检测器是FasterRCNN，原始源代码是 。 但是，在原始代码中，CNN模型是使用tensorf

yolov5 deepsort 行人 车辆 跟踪 检测 计数 实现了 出/入 分别计数。 默认是 南/北 方向检测，若要检测不同位置和方向，可在 main.py 文件第13行和21行，修改2个polygon的点。 默认检测类别：行人、自行车、小汽车、摩托车、公交车、卡车。 检测类别可在 detector.py 文件第60行修改。 视频 bilibili 运行环境 python 3.6+，pip 20+ pytorch pip install -r requirements.txt 如何运行 下载代码 $ git clone https://github.com/dyh/unbox_yolov5_deepsort_counting.git 因此repo包含weights及mp4等文件，若 git clone 速度慢，可直接下载zip文件： 进入目录 $ cd unbox_yolov5_dee

深度排序 学习使用seq2seq模型对数字进行排序。 运行这段代码 调用pip install -r requirements.txt安装所有依赖项。 产生资料 可以使用所有数据 样品电话 python generate.py \ --name="train" \ --size=10000 \ --max_val=256 \ --min_length=2 \ --max_length=256 \ 训练 可以通过在设置适当的参数，然后将train.run()设置为在调用，最后一次调用python main.py （是的，我很抱歉，对于未配置命令行参数）。 从上面的示例调用生成的数据集中训练了1个纪元，大约花费了10分钟。 评估 在train.txt上训练模型后，使用生成测试集（ name="test" ），然后以与上所述相同的方式运行 ，以查看该模型的一些示例评估。 再

DEEP SORT目标跟踪算法论文

详细请看博客： reid模型为fast-reid框架训练，resnet101蒸馏出来的resnet34，因为模型保存了FC层和优化器等参数所以很大，去除这些只保留resnet34的话模型30多MB，整个流程在2070GPU下能达到实时效果 reid模型：链接: 提取码: j4ce

行业分类-物理装置-一种基于DeepSort的拉索表观病害自动计数方法.zip

Yolov4-deepsort头盔检测 使用DarknetYOLOv4模型训练的头盔（安全帽）检测器。 测试环境 Windows 10 x64 2020 (build 19041.388) NVIDIA RTX 2070 Super CUDA 10.1 / CuDNN 7.6.5 Python 3.7.7 x64 tensorflow 2.2.0 GPU 训练体重 将重量文件放在./configs 要使用自己的数据集进行训练，您应该使用 。 并需要更改一些参数 使用的数据集 +约100张图片 依存关系 Python opencv-python，numpy，scikit图像在图像上画框和文字 张量流2.2.0 使用DeepSORT模型跟踪对象 matplotlib 创建颜色图 CUDA 10.1 / CuDNN 7.6.5 暗网 用于yolov4对象检测 dark.dll,