YOLOv8_ ByteTrack目标跟踪、模型部署

news2024/10/26 13:43:34

YOLOv8目前支持BoT-SORT和ByteTrack两种多目标跟踪算法，默认的目标跟踪算法为BoT-SORT
如果要使用ByteTrack跟踪算法，可以添加命令行参数tracker=bytetrack.yaml

一、 VisDrone2019数据集

VisDrone：无人机目标检测和追踪基准数据集。（Detection and Tracking Meet Drones Challenge, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021）
链接: 数据代码

下载yolov8代码

git clone https://github.com/ultralytics/ultralytics.git
pip install ultralytics

二、VisDrone2019数据集处理

需要将VisDrone2019数据集转换为yolo格式数据，labels的生成
在服务器上进入到zip文件所在的文件夹中使用unzip命令解压zip文件。
如：unzip VisDrone2019-DET-train.zip
在这里插入图片描述

import os
from pathlib import Path

def visdrone2yolo(dir):
    from PIL import Image
    from tqdm import tqdm

    def convert_box(size, box):
        # Convert VisDrone box to YOLO xywh box
        dw = 1. / size[0]
        dh = 1. / size[1]
        return (box[0] + box[2] / 2) * dw, (box[1] + box[3] / 2) * dh, box[2] * dw, box[3] * dh

    (dir / 'labels').mkdir(parents=True, exist_ok=True)  # make labels directory
    pbar = tqdm((dir / 'annotations').glob('*.txt'), desc=f'Converting {dir}')
    for f in pbar:
        img_size = Image.open((dir / 'images' / f.name).with_suffix('.jpg')).size
        lines = []
        with open(f, 'r') as file:  # read annotation.txt
            for row in [x.split(',') for x in file.read().strip().splitlines()]:
                if row[4] == '0':  # VisDrone 'ignored regions' class 0
                    continue
                cls = int(row[5]) - 1  # 类别号-1
                box = convert_box(img_size, tuple(map(int, row[:4])))
                lines.append(f"{cls} {' '.join(f'{x:.6f}' for x in box)}\n")
                with open(str(f).replace(os.sep + 'annotations' + os.sep, os.sep + 'labels' + os.sep), 'w') as fl:
                    fl.writelines(lines)  # write label.txt
dir = Path('datasets')  # datasets文件夹下Visdrone2019文件夹目录
# Convert
for d in 'VisDrone2019-DET-train', 'VisDrone2019-DET-val', 'VisDrone2019-DET-test-dev':
    visdrone2yolo(dir / d)  # convert VisDrone annotations to YOLO labels

在这里插入图片描述
正确执行代码后，会在’VisDrone2019-DET-train’, ‘VisDrone2019-DET-val’, 'VisDrone2019-DET-test-dev三个文件夹内新生成labels文件夹，用以存放将VisDrone数据集处理成YoloV8格式后的数据。

三、修改数据配置文件ultralytics/cfg/datasets/VisDrone.yaml

在这里插入图片描述
修改path参数

四、yolov8训练

yolo task=detect mode=train model=yolov8s.pt data=cfg/datasets/VisDrone.yaml batch=16 epochs=100 imgsz=640 workers=0 device=0

验证：

yolo task=detect mode=val model=runs/detect/train/weights/best.pt data=cfg/datasets/VisDrone.yaml device=0

五、模型部署

yolo export model=yolov8s.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

预测：

yolo predict task=detect model=yolov8s.onnx source=0  show=True

跟踪：

yolo mode=track model=yolov8s.onnx source=0  show=True

在这里插入图片描述
如果要用TensorRT部署YOLOv8
导出tensorrt

yolo export model=yolov8s.pt format=engine

推理：

yolo task=detect mode=predict model=yolov8s.engine

yolo track model=yolov8s.engine source=test_traffic.avi show=True save=True tracker=bytetrack.yaml