siam-mot - 区域基的多目标追踪网络

项目介绍：SiamMOT

什么是SiamMOT？

SiamMOT是一种基于区域的Siamese多目标追踪网络，它能够同时检测和关联多个对象实例。通过这种方式，SiamMOT提高了在线多目标追踪（MOT）的效率和准确性。该项目的名称“SiamMOT”来源于其结合了Siamese网络结构，用于在视频帧间进行对象的运动和关联建模。

主要特点

1. 运动模型

SiamMOT通过嵌入一个运动模型来估计对象在两帧之间的移动，从而实现对检测到的对象进行关联处理。这个项目探讨了运动建模如何影响追踪能力，并展示了两种不同的Siamese跟踪器：一种是隐式建模运动，另一种是显式建模运动。

2. 优异表现

通过在三个不同的MOT数据集上进行大量实验：MOT17、TAO-person和Caltech Roadside Pedestrians，SiamMOT证明了运动建模的重要性，并且显著超越了现有的最佳表现模型。此外，它在HiEve数据集上的表现也超过了ACM MM’20 HiEve大赛的获胜者。

3. 高效运行

SiamMOT在单个现代GPU上，以每秒17帧的速度运行720P视频，这显示了其高效的计算性能。

安装指南

用户可参照项目目录中的INSTALL.md文件进行安装。

尝试SiamMOT演示

项目提供了两种追踪模型用于演示——一个用于追踪人（可见部分），另一个用于同时追踪人和车辆（如公共汽车、汽车、卡车、摩托车等）。人类追踪模型是在COCO-17和CrowdHuman数据集上训练的，而后者是在COCO-17和VOC12数据集上训练的。

用户可以通过以下命令运行演示：

python3 demos/demo.py --demo-video PATH_TO_DEMO_VIDEO --track-class person --dump-video True

可以选择person或person_vehicle作为track-class以使用相应的追踪模型。模型将自动下载到demos/models目录，追踪输出的可视化结果则保存在demos/demo_vis目录中。

数据集评估与训练

完成安装后，用户需按照DATA.md文件中的指示来设置数据集。为了验证，用户可以使用model_zoos.md文件中介绍的预训练模型进行测试。

使用以下命令在8GPU机器上训练模型：

python3 -m torch.distributed.launch --nproc_per_node=8 tools/train_net.py --config-file configs/dla/DLA_34_FPN.yaml --train-dir PATH_TO_TRAIN_DIR --model-suffix MODEL_SUFFIX

在单GPU机器上测试模型的命令如下：

python3 tools/test_net.py --config-file configs/dla/DLA_34_FPN.yaml --output-dir PATH_TO_OUTPUT_DIR --model-file PATH_TO_MODEL_FILE --test-dataset DATASET_KEY --set val

版本更新

当前版本专为“空中物体追踪挑战”（Airborne Object Tracking Challenge）工作坊制作，并仅支持EMM运动模型。近期更新包括配置文件重构、MOT17模型的发布以及基于公开检测提供推理支持等。

许可信息

SiamMOT项目遵循Apache-2.0许可证。