深度学习和目标检测系列教程 21-尊龙游戏旗舰厅官网

@author：runsen

deepdeepsort

deepsort是一种用于跟踪目标的模型，为每个目标分配 id，为每一个不同的类别分配label。

在deepsort 中，过程如下。

• 使用yolo 计算边界框（检测）
• 使用sort（卡尔曼滤波器）和reid（识别模型）链接边界框和轨迹
• 如果无法建立活动链接，则会分配一个新 id 并将其新添加到track。

deepdeepsort所谓的“检测”是每一帧中的目标列表，“轨迹”是当前被跟踪的列表。

deepsorts项目地址：https://github.com/mikelbrostrom/yolov5_deepsort_pytorch

deepsorts测试小车经过的时间和速度

本次项目代码
参考项目：https://github.com/dyh/unbox_yolov5_deepsort_counting。

该项目封装了deepsorts和yolov5文件，非常易于其他需求的开发，个人在
该项目上进行二次开发。

项目实现目标要求：通过deepsorts测试图中的小车到拐弯是否存在超速的行为。

个人通过image_pixel小软件对图片进行标点和标线。一共划分了六条线和六个区域块。

项目的主要结构

由于yolov5模型存在一定的检测异常，因此需要在设置线时，最好设置成小矩形。最后的矩形判断的速度设置为4，也大约是15km/h。

下面是部分具体的测试结果，保存image 和 是否超速的结果写到rabbitmq中。

fusing layers... 进入第一块矩形类别: truck | id: 3 | : 碰撞点的坐标 (148, 245) | : time: 9.04 进入第一块矩形类别: truck | id: 3 | : 碰撞点的坐标 (148, 246) | : time: 9.08 进入第一块矩形类别: car | id: 3 | : 碰撞点的坐标 (148, 247) | : time: 9.12 进入第一块矩形类别: truck | id: 3 | : 碰撞点的坐标 (149, 246) | : time: 9.16 进入第一块矩形类别: truck | id: 3 | : 碰撞点的坐标 (149, 246) | : time: 9.2 进入第一块矩形类别: truck | id: 3 | : 碰撞点的坐标 (150, 247) | : time: 9.24 进入第一块矩形类别: truck | id: 3 | : 碰撞点的坐标 (151, 247) | : time: 9.28 进入第二块矩形类别: truck | id: 3 | : 碰撞点的坐标 (161, 258) | : time: 9.96 第一块花费的时间： 0.6800000000000015 进入第二块矩形类别: truck | id: 3 | : 碰撞点的坐标 (162, 258) | : time: 10.0 第一块花费的时间： 0.7200000000000006 进入第二块矩形类别: car | id: 3 | : 碰撞点的坐标 (163, 259) | : time: 10.04 第一块花费的时间： 0.7599999999999998 进入第二块矩形类别: truck | id: 3 | : 碰撞点的坐标 (163, 259) | : time: 10.08 第一块花费的时间： 0.8000000000000007 进入第二块矩形类别: car | id: 3 | : 碰撞点的坐标 (163, 260) | : time: 10.12 第一块花费的时间： 0.8399999999999999 进入第三块矩形类别: truck | id: 3 | : 碰撞点的坐标 (179, 273) | : time: 10.96 第二块花费的时间： 0.8400000000000016 进入第三块矩形类别: truck | id: 3 | : 碰撞点的坐标 (180, 273) | : time: 11.0 第二块花费的时间： 0.8800000000000008 进入第三块矩形类别: truck | id: 3 | : 碰撞点的坐标 (180, 273) | : time: 11.04 第二块花费的时间： 0.9199999999999999 进入第三块矩形类别: truck | id: 3 | : 碰撞点的坐标 (181, 275) | : time: 11.08 第二块花费的时间： 0.9600000000000009 进入第三块矩形类别: truck | id: 3 | : 碰撞点的坐标 (182, 275) | : time: 11.12 第二块花费的时间： 1.0 进入第五块矩形类别: truck | id: 3 | : 碰撞点的坐标 (208, 299) | : time: 12.36 第四块花费的时间： 1.0 进入第五块矩形类别: truck | id: 3 | : 碰撞点的坐标 (235, 325) | : time: 13.48 第五块花费的时间： 1.2400000000000002 进入第五块矩形类别: truck | id: 3 | : 碰撞点的坐标 (235, 326) | : time: 13.52 第五块花费的时间： 1.2400000000000002 进入第五块矩形类别: truck | id: 3 | : 碰撞点的坐标 (237, 327) | : time: 13.56 第五块花费的时间： 1.2400000000000002 进入第五块矩形类别: truck | id: 3 | : 碰撞点的坐标 (238, 328) | : time: 13.6 第五块花费的时间： 1.2400000000000002 进入第五块矩形类别: truck | id: 3 | : 碰撞点的坐标 (238, 329) | : time: 13.64 第五块花费的时间： 1.2400000000000002 进入第五块矩形类别: truck | id: 3 | : 碰撞点的坐标 (240, 329) | : time: 13.72 第五块花费的时间： 1.2400000000000002 进入第五块矩形类别: truck | id: 3 | : 碰撞点的坐标 (241, 329) | : time: 13.76 第五块花费的时间： 1.2400000000000002 离开的时间:: truck | id: 3 | : 碰撞点的坐标 (275, 364) | : time: 16.12 11.904761904761907 10.0 8.064516129032256 7.1428571428571415 4.237288135593218 true 离开的时间:: truck | id: 3 | : 碰撞点的坐标 (276, 364) | : time: 16.16 11.904761904761907 10.0 8.064516129032256 7.1428571428571415 4.166666666666666 true 离开的时间:: truck | id: 3 | : 碰撞点的坐标 (277, 364) | : time: 16.2 11.904761904761907 10.0 8.064516129032256 7.1428571428571415 4.0983606557377055 true 离开的时间:: truck | id: 3 | : 碰撞点的坐标 (277, 365) | : time: 16.24 11.904761904761907 10.0 8.064516129032256 7.1428571428571415 4.032258064516132 true 离开的时间:: truck | id: 3 | : 碰撞点的坐标 (277, 365) | : time: 16.28 11.904761904761907 10.0 8.064516129032256 7.1428571428571415 3.968253968253966 false 离开的时间:: truck | id: 3 | : 碰撞点的坐标 (277, 365) | : time: 16.4 11.904761904761907 10.0 8.064516129032256 7.1428571428571415 3.7878787878787894 false 离开的时间:: truck | id: 3 | : 碰撞点的坐标 (278, 365) | : time: 16.44 速度：11.904761904761907 10.0 8.064516129032256 7.1428571428571415 3.7313432835820874 false

附上github：https://github.com/maolirunsen/deepsort-yolov5-car

总结

以上是尊龙游戏旗舰厅官网为你收集整理的深度学习和目标检测系列教程 21-300：deepsorts测试小车经过的时间和速度的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得尊龙游戏旗舰厅官网网站内容还不错，欢迎将尊龙游戏旗舰厅官网推荐给好友。