使用paddledetection的记录

首先在这里使用的是是paddle--detection2.7的版本。

成功进行训练

数据集准备

配置文件的修改

使用的是BML的平台工具：

!python -m pip install paddlepaddle-gpu==2.5 -i https://mirror.baidu.com/pypi/simple --user
%cd /home/aistudio/
# !wget https://codeload.github.com/PaddlePaddle/PaddleDetection/zip/refs/heads/release/2.7
#因为github需要登录，所以下载不成功，因此这里直接上传了2.7的版本
# !unzip /home/aistudio/PaddleDetection-release-2.7.zip  
%cd /home/aistudio/PaddleDetection-release-2.7/
!pip install -r requirements.txt
!python setup.py install
#用来测试是否安装成功,另外补充安装一个numba
!pip install numba==0.56.4
# !python ppdet/modeling/tests/test_architectures.py

要求的paddle版本必须是大于2.3.2的。注意版本问题就是了配置环境的时候，其他的大问题没什么。

下面这段代码，可以用来确认是否安装成功指定版本：

import paddle
paddle.utils.run_check()
# 确认PaddlePaddle版本
!python -c "import paddle; print(paddle.__version__)"

如果成功，则会打印如下信息：

PaddlePaddle works well on 1 GPU. PaddlePaddle is installed successfully! Let's start deep learning with PaddlePaddle now. 
2.5.0

然后就是准备数据集了，在这里我使用的是开源的MOT17数据集，这个数据集，只有训练集，没有测试集，下载和解压命令如下：

!wget https://bj.bcebos.com/v1/paddledet/data/mot/MOT17.zip
!unzip /home/aistudio/data/MOT17.zip  -d /home/aistudio/PaddleDetection-release-2.7/dataset/mot/

数据集准备：

提到数据集，在这里延伸的扩展一哈，paddledetection里面对于数据集的要求(仅限多目标跟踪)有如下几种格式：

1、自定义数据集；

2、一类纯检测框标注的数据集，仅SDE系列（ByteTrack）可以使用；

3、另一类是同时有检测和ReID标注的数据集，SDE系列（DeepSORT）和JDE系列都可以使用

因此下面的数据集准备会分成两种来讲：

****************

ReID标注是一种目标跟踪的标注方法，它基于深度学习技术进行目标跟踪。在ReID标注中，需要对视频序列中的目标进行标记和追踪，以便在多个摄像头监控的画面中实现目标跟踪。这种标注方法有助于提高目标跟踪的准确性和稳定性。

***************

其中自定义数据集参考：PaddleDetection/docs/tutorials/data/PrepareDetDataSet.md at release/2.7 · PaddlePaddle/PaddleDetection (github.com)

首先：SDE数据集是纯检测标注的数据集，可以按照自定义数据集准备成（VOC，或者是COCO数据集）

这里以这个MOT17的数据集来作为例子，进行举例：

数据集下载解压以后有三个文件夹：

第一个是annotations是

里面包含的信息有：如下内容（图片路径，注意这里的图片路径是用的是在后面我们会提到的dataset_dir的基础上添加的路径）

可以看到上面的train有两种，第一种half的意思是：在MOT17/images/half中，它可能指的是存储在图像中的目标物体的标注信息，例如边界框信息、分割信息、类别信息等，这些信息以半精度浮点数的形式进行存储和计算，可以提高模型的计算效率和准确性。

第二个是images文件夹

每个子目录下都是一段视频的抽帧图片及标注。

det

训练集中/det 文件夹中是针对检测的信息，该目录下只有一个det.txt文件，每行一个标注，代表一个检测的物体。

参数说明：每一行标注的含义如下：第一个代表第几帧，第二个代表轨迹编号（因为检测结果只看检测框质量，不看id，故为id=-1。），bb开头的4个数代表物体框的左上角坐标及长宽。conf代表置信度。

gt

训练集中/gt 文件夹中是针对追踪的信息，该目录下只有一个gt.txt文件（相当于half里面的一个gt_all.txt文件，而half里面的gt.txt只有一半的帧长），每行一个标注，代表一个检测的物体。

每一行标注的含义如下：第一个代表第几帧，第二个值为目标运动轨迹的ID号，bb开头的4个数代表物体框的左上角坐标及长宽，第7个值为目标轨迹是否进入考虑范围内的标志，0表示忽略，1表示active。第八个值为该轨迹对应的目标种类（种类见下面的表格中的label-ID对应情况），第九个值为box的visibility ratio，表示目标运动时被其他目标box包含/覆盖或者目标之间box边缘裁剪情况。

img1里面存放的就是图片了；

然后就是seqinfo.ini文件

介绍视频的帧率、分辨率等基本信息（分割片段名；图片路径；该子集的帧率，每秒30帧；表示该子集的长度600帧，以帧数为单位；图片的宽度；高度；后缀名）

最后就是labels_with_ids，是指

在标注文本中，每行都描述一个边界框，格式如下：

[class] [identity] [x_center] [y_center] [width] [height]

class为类别id，支持单类别和多类别，从0开始计，单类别即为0。
identity是从1到num_identities的整数(num_identities是数据集中所有视频或图片序列的不同物体实例的总数)，如果此框没有identity标注，则为-1。
[x_center] [y_center] [width] [height]是中心点坐标和宽高，注意他们的值是由图片的宽度/高度标准化的，因此它们是从0到1的浮点数。