跟踪指标预测代码(track eval)

跟踪指标预测代码(track eval)

提示：本文将修改官网跟踪预测指标，以mot17为数据基准，构建一个简单使用的代码，可实现HOTA, MOTA, IDF1等指标预测。

代码链接：

文章目录

• 前言
• 代码模块
• 认识gt与predect数据格式
• • 认识gt数据格式
  • 认识predect数据格式
• 文件结构
• • gt文件夹
  • predect文件夹
• 运行参数解释
• • 重点参数说明
  • 自定义参数
• 运行命令
• 可视化工具
• 测试结果

---

前言

官方已有跟踪指标预测代码库，然代码整体较为复杂，不易读者上手使用。我将以官网代码作为基准，对代码进行了修改与解读，并以此文作为记录。主要贡献如下：
① 去除不必要脚本，给出简单上手代码；
②可将本仓库代码集成跟踪模型中，本人也是集成其它跟踪模型作为指标测试；
③本文将详细给出参数含义和使用方法，帮助读者直接理解与上手；

---

提示：以下是本篇文章正文内容，下面案例可供参考

代码模块

代码构成模块为：
data:存放demo数据格式，以供读者直接运行，生成结果
datasets:处理数据相关代码
metrics：计算指标相关代码
tools:独立于仓库代码，用于可视化mot数据集工具代码
其代码库具体格式如下：

认识gt与predect数据格式

本仓库代码是以mot17为基准修改。gt.txt使用mot17的gt.txt格式，若想测试其它数据库文件，可先转换为gt.txt格式，方可使用此仓库代码。

认识gt数据格式

<数据格式：

frame, id, bb_left, bb_top, bb_width, bb_height, active, label_id, visibility ratio 第0个代表第几帧;
第1个值为目标运动轨迹的ID号;
第2个到第5个数代表物体框的左上角坐标及长宽;
第6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7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8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。

特别说明：

第6个activate若为0表示该行目标不考虑计算。
第7个目标种类，目标名称和数字一定要对齐，依照数字指定为目标选择

如下:

"class_name_to_class_id": 
{'pedestrian': 1, 'person_on_vehicle': 2, 'car': 3, 'bicycle': 4, 
'motorbike': 5,'non_mot_vehicle': 6, 'static_person': 7, 
'distractor': 8, 'occluder': 9, 'occluder_on_ground': 10, 
'occluder_full': 11, 'reflection': 12, 'crowd': 13}

如图：

认识predect数据格式

*.txt预测文件结构

frame_id, id, bbox_left, bbox_top, bbox_w, bbox_h, -1, -1, -1, i
第0个的frame_id表示第几帧，没有0帧，只有第1帧开始，与gt.txt的帧对应;
第1个id表示跟踪id,由跟踪算法决定，实际为常说的track_id;
第2个到第5个数代表物体框的左上角坐标及长宽;
第9个i表示第frame_idx+1帧第几个目标id，也可以固定为-1，该参数不需要。

特别说明：

指标预测模型是第一帧到最后一帧by顺序一张一张图预测；
输出结果为预测txt保存结果，名称需和seq相同，如

文件结构

gt文件夹

主路径下是被测文件夹列表，每个列表文件(如：MOT17-02-FRCNN)下有一个gt.txt文件和seqinfo.ini文件，该路径可由config[‘GT_LOC_FORMAT’] = '{gt_folder}/{seq}/’参数控制。其中seqinfo.ini文件用于记录name=MOT17-02-FRCNN文件下相关信息，具体内容如下：

[Sequence]name=MOT17-02-FRCNNimDir=img1frameRate=30seqLength=600imWidth=1920imHeight=1080imExt=.jpg

然，seqinfo.ini只需提供seqLength信息，为此可简化如下：

[Sequence]seqLength=600

如图：

predect文件夹

主路径下只有对应txt文件，命名分别为gt文件对应的文件列表名称&#
具体方法如下图：

运行参数解释

在mot_challenge_2d_box.py文件夹下有类MotChallenge2DBox(_BaseDataset)，用于处理相关数据，
而在该类中有一个默认default_config字典，我已做了修改，具体用法如下解释。

 default_config = {'GT_FOLDER': os.path.join(code_path, 'data/'),  # 真实标签路径Location of GT data'TRACKERS_FOLDER': os.path.join(code_path, 'data/predect_mot/'),  # 预测标签路径 Trackers location'OUTPUT_FOLDER': None,  # 指标保存路径，若为None将保存在TRACKERS_FOLDER文件下# 'TRACKERS_TO_EVAL': None,  # Filenames of predect_mot to eval (if None, all in folder)'CLASSES_TO_EVAL': ['pedestrian'],  # 规定哪些类别预测指标 Valid: ['pedestrian']'BENCHMARK': 'MOT17',  # 用于显示名字，随便起名，我是以mot17为基准修改，因此默认为MOT17'PRINT_CONFIG': True,  # Whether to print current config'DO_PREPROC': True,  # Whether to perform preprocessing (never done for MOT15)'TRACKER_SUB_FOLDER': 'data',  # Tracker files are in TRACKER_FOLDER/tracker_name/TRACKER_SUB_FOLDER'OUTPUT_SUB_FOLDER': '',  # Output files are saved in OUTPUT_FOLDER/tracker_name/OUTPUT_SUB_FOLDER'TRACKER_DISPLAY_NAMES': None,  # Names of predect_mot to display, if None: TRACKERS_TO_EVAL'SEQMAP_FOLDER': None,  # Where seqmaps are found (if None, GT_FOLDER/seqmaps)'SEQMAP_FILE': None,  # Directly specify seqmap file (if none use seqmap_folder/benchmark-split_to_eval)'SEQ_INFO': None,  # 需要预测的列表，若为None则将GT_FOLDER文件均当做seq预测指标'GT_LOC_FORMAT': '{gt_folder}/{seq}/',  # 能找到真实标签txt路径,gt_folder为GT_FOLDER，seq为seq_list遍历值'SKIP_SPLIT_FOL': False,  # If False, data is in GT_FOLDER/BENCHMARK-SPLIT_TO_EVAL/ and in# TRACKERS_FOLDER/BENCHMARK-SPLIT_TO_EVAL/tracker/# If True, then the middle 'benchmark-split' folder is skipped for both."class_name_to_class_id": {'pedestrian': 1, 'person_on_vehicle': 2, 'car': 3, 'bicycle': 4, 'motorbike': 5,'non_mot_vehicle': 6, 'static_person': 7, 'distractor': 8, 'occluder': 9,'occluder_on_ground': 10, 'occluder_full': 11, 'reflection': 12, 'crowd': 13},'use_super_categories':False, # 决定是否合并类别为key类预测'super_categories' : {"FF": ['pedestrian', 'car']}  # 表示将字典value类统一到key上，给出指标结果}

重点参数说明

①合并类指标测试方法

use_super_categories:参数为True将会将我们在super_categories指定合并类一起测试
'super_categories' :指定合并类，如将'pedestrian', 'car'合并为’FF‘，如: {"FF": ['pedestrian', 'car']}

②测试类指定方法

CLASSES_TO_EVAL:列表，指定gt.txt需要测试的类别，特别说明，它和gt.txt的第6个activate共同决定有效gt目标

③指定gt路径方法

GT_LOC_FORMAT:如{gt_folder}/{seq}/，确定gt路径

④指定测试方法

SEQ_INFO:指定gt_folder测试方法

⑤确定gt类别方法

class_name_to_class_id:指定名称和类别对应字典&#中的label id为对应数字，此为②提供依据

自定义参数

通过config字典，修改MotChallenge2DBox(_BaseDataset)中的默认参数，如下:

    config={}config['TRACKERS_FOLDER'] = ROOT+'/data/predect_mot' # 预测路径config['GT_FOLDER'] = ROOT+'/data/mot17_gt'   # 给出gt路径config['OUTPUT_FOLDER'] = ROOT+'/data/out_dir'# 确定文件内gt.txt的路径，gt_folder=config['GT_FOLDER']，seq为os.listdir(gt_folder)列表config['GT_LOC_FORMAT'] = '{gt_folder}/{seq}/'config['CLASSES_TO_EVAL'] = ['pedestrian']  # 确定预测指标的类别dataset = MotChallenge2DBox(config)  # dataset_list是存放数据信息列表

运行命令

按照以上参数修改，直接运行run_mot_challenge.py文件

可视化工具

mot_vision.py文件用于将gt.txt信息可视化图像上，效果如下图:

测试结果