yolov8+2024sota_reid+行人重识别+车辆重识别【代码说明】

原创 已于 2024-05-16 10:56:50 修改 · 2.2k 阅读 · 21 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#YOLO #yolov8 #python #图像处理 #人工智能

于 2024-05-16 10:51:14 首次发布

代码地址

基于visual transformer的车辆重识别(vehicle reid)系统
2024最强SoTA行人重识别(ReID)项目实战

要理解我的行人重识别（ReID）相关代码的解释，需要具备以下基础能力：

  1. Python基础能力：
  • 熟悉Python语法、数据结构、函数和面向对象编程。
  • 能够使用Python进行数据处理和简单的算法实现。
  1. 深度学习的基础知识：
  • 理解深度学习的基本概念和原理，如神经网络、反向传播、激活函数等。
  • 熟悉深度学习模型的训练和推理过程，包括数据准备、模型定义、训练循环和评估。
  1. 模型构建的三大要素：
  • Dataloader：负责数据加载和预处理，确保数据能够以合适的形式输入到模型中。
  • Network：定义神经网络的结构，包括各层的设置、前向传播过程等。
  • Loss：定义损失函数，用于衡量模型的预测结果与真实标签之间的差距，并指导模型的参数更新。

如果你正在选择reid这个课题。

我的建议这个课题目前能够继续做的东西不多(能发顶会的东西)，大约只有大模型这条路了。目前工业界该方向相对前三年也少了很多人。所以，如果你不得不选择该课题，最好延续大模型这条路做下去。这样你对大模型的知识了解会对后续发展有用。

代码结构总纲领:

  1. 分为Algorithm和GUI两个文件。Algorithm中的子文件每个都是单独功能的，充分解藕了的。比如,reid就包含detect/extract/search等子文件。GUI则是前端展示的交互和调度逻辑,也被充分解藕，比如，需要修改注册页面的交互在UiPageRegister.py中。
  2. Algorithm 和 GUI之间也是充分解藕的。什么意思呢？Algorithm下面有个outer_api.py是整个算法所有的对外接口，GUI只能调动outer_api里的结构。如果你只想看算法流程不看GUI的话，只需要看看outer_api就行。

功能解释:

1. 注册界面

在这里插入图片描述

选择图片路径->确认按键->车辆检测-> 目标选择->输入注册标签->确认注册->调用reid提特征->注册的sql中(包括图像/特征/ID)
涉及代码: UiPageRegister.py

2. 管理数据界面

在这里插入图片描述

选择list行->调取sql->展示信息，支持修改ID和删除某个注册车辆
涉及代码: UiPageManager.py

3. 处理界面

在这里插入图片描述

  • 选择图像或者视频某个文件: 只处理选择的文件
  • 选择文件夹:文件夹下的所有图像或者视频都会被处理
  • 三角播放按键：开始去处理选择的文件媒体,再点击就是暂停
  • 四角重置按键: 点击重置流程
  • 右上角工具按键: device[GPU只支持N卡需要直接配置好驱动和环境], sampleFt[处理视频时抽帧],Match Thresh[匹配时的阈值，两个特征之间的距离小于该阈值时为命中]
    Note: 处理视频时, 并开启跟踪时, sampleFt最好设置为1, 因为track跟踪算法会参考位移变化, 抽帧多时,目标位移很大, 会跟踪不上。

自己简单DIY:

1. 前端界面换皮肤

第一种是直接修改GUI.ui下home.py中

self.Main_QF.setStyleSheet(u"QFrame#Main_QF{\n"
"background-color: rgb(129, 129, 129);\n"
"border:0px solid red;\n"
"border-radius:0px\n"
"}")

2. 前端界面模块组件修改

使用QT designer打开GUI.ui.home.ui,使用designer去修改,再 pyside6-uic home.ui > home.py
组件修改完,再修改对应的UiPagexxx.py中的交互流程。

3. 算法想上自己的模型

比如自己的Reid模型(建议把如pth等checkpoint这种模型转换成onnx或者tensorrt, 推理和训练是不一样的，训练时模型会保留梯度等信息且速度不如onnx这种推理架构)
修改reid_extract.py下的class ReIdExtract(object)就行，输入图像输出归一化的特征。
并且在Algorithm.libs.configs.model_cfgs配置文件把模型路径修改一下。

YOLOv8与Transformer：探索目标检测的新架构
AI架构师小马
06-09 1989
本文旨在深入探讨YOLOv8与Transformer架构在目标检测领域的应用。我们将从YOLO系列算法的发展历程出发，逐步介绍Transformer的基本原理，并重点分析YOLOv8如何将Transformer融入其架构中以提升性能。介绍目标检测任务、YOLO系列算法和Transformer架构。深入探讨YOLOv8和Transformer的核心概念，并使用Mermaid流程图展示其架构。使用伪代码详细阐述YOLOv8结合Transformer的目标检测算法。
Yolov8涨点神器：创新卷积块NCB和创新Transformer 块NTB,助力检测，提升检测精度
06-05 1379
本博客将具有部署友好机制的强大卷积块和变换块，即NCB和NTB，引入到yolov8，实现小目标高效涨点
yolov5_reid【附代码，行人重识别，可做跨视频人员检测】
z240626191s的博客
02-25 1万+
该项目利用yolov5+reid实现的行人重识别功能，可做跨视频人员检测。应用场景：可根据行人的穿着、体貌等特征在视频中进行检索，可以把这个人在各个不同摄像头出现时检测出来。可应用于犯罪嫌疑人检索、寻找走失儿童等。支持功能：1.reid训练2.人员标注3.人员查找(可做。
YOLOv8最新改进系列：YOLOv8融合SwinTransformer模块，有效提升小目标检测效果！
B站 Ai学术叫叫兽的文案地
09-06 2万+
YOLOv8融合SwinTransformer模块，有效提升小目标检测效果！
YOLOv8改进添加swin transformer
qq_62127918的博客
07-01 5777
改进YOLOv8，去网上找了很多教程都是充钱才能看的，NND这对一个一餐只能吃两个菜的大学生来说是多么的痛苦，所以自己去找代码手动改了一下，成功实现YOLOv8改进添加swin transformer，本人水平有限，改得不对的地方请自行改正。
YOLOv8与Transformer融合：高效目标检测系统设计与实现
最新发布
如需修改或训练 Ultralytics YOLO 模型，请联系 Ultralytics 获取授权。
06-27 344
本文详细介绍了如何将Transformer结构与YOLOv8目标检测框架相结合，构建一个高效的目标检测系统。我们将探讨YOLOv8的架构特点、Transformer的自注意力机制，以及如何将两者优势互补。文章包含完整的代码实现、UI界面设计、数据集选择建议以及训练优化技巧。通过实验验证，我们的改进模型在保持实时性的同时，显著提升了检测精度，特别是在小目标和遮挡目标检测方面表现优异。关键词：YOLOv8、Transformer、目标检测、深度学习、计算机视觉。
京东发布FastReID：目前最强悍的目标重识别开源库！
我爱计算机视觉
06-05 1万+
京东AI研究院近日发布了基于PyTorch的目标重识别（ReID）开源库 FastReID ，其不仅对相关领域的研究有帮助，而且对工程部署有优化，在各大数据集上的评测结果惊人，其今天公布...
目标跟踪论文代码汇总
如果想成为中心，那么就到中心去吧。
07-21 1472
近年来，分割任意模型（SAM）因其对图像分割性能而迅速获得了广泛的关注。由于其较强的图像分割能力和不同提示的高交互性，我们发现其在视频一致性分割效果较差。因此，在本报告中，我们提出了跟踪任何事物模型（TAM），它可以在视频中实现高性能的交互式跟踪和分割。详细地说，给定一个视频序列，只有很少的人类参与，也就是说，几次点击，人们可以跟踪任何他们感兴趣的东西，并在本体推理中得到令人满意的结果。没有额外的训练，这种交互式设计执行的视频对象跟踪和分割令人印象深刻。
多目标跟踪算法 | DeepSort
热门推荐
黎国溥
02-09 5万+
前言 论文名称：（ICIP2017）Single-Simple Online and Realtime Tracking with a Deep Association Metric 论文地址：https://arxiv.org/abs/1703.07402 开源地址：https://github.com/nwojke/deep_sort 一、多目标跟踪的工作流程（常规） (1)给定视频的原始帧； (2)运行对象检测器以获得对象的边界框； (3)对于每个检测到的物体，计算出不同的特征.
深度学习系列资料总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
07-17 2万+
说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................
yolov5_transformer:Yolov5带变压器
03-19
“＃yolov5_transformer”
MATLAB算法实战应用案例精讲-【图像处理】小目标检测（附matlab代码实现）
qq_36130719的博客
01-13 4970
现有的小目标定义方式主要分为以下两类，即基于相对尺度的定义与基于绝对尺度的定义。(1)基于相对尺度即从目标与图像的相对比例这一角度考虑来对小目标进行定义。Chen[1]等对小目标做了如下定义：同一类别中所有目标实例的相对面积，即边界框面积与图像面积之比的中位数在0.08%~0.58%之间。除此以外，较为常见的还有以下几种：①目标边界框的宽高与图像的宽高比例小于一定值，较为通用的比例值为0.1；②目标边界框面积与图像面积的比值开方小于一定值，较为通用的值为0.03；
YOLOv8算法改进【NO.88】引入CSWin Transformer网络替换作为主干特征提取网络
m0_70388905的博客
12-13 725
引入CSWin Transformer网络替换作为主干特征提取网络
YOLOv8 + Transformer：如何结合自注意力机制提升目标检测性能
m0_69441654的博客
02-17 1538
YOLOv8 作为目前主流的目标检测算法之一，在计算速度和检测精度上都达到了较高水平。然而，其主干网络（Backbone）依然基于。在原 YOLOv8 代码中，Backbone 采用。，以提升全局信息捕获能力。本文将详细讲解如何将。Swin Transformer 通过。结构，虽然能高效提取局部特征，但对。进行分层特征提取，能保留。为了弥补这一缺陷，我们可以。，并提供完整代码及分析。
YOLOv8改进主干：全新发布的MobileViTv系列——最强改进版本｜轻量级Transformer视觉转换器，巧妙融合本地全局和输入特征，高效提升计算机视觉
IlgCrystal的博客
09-22 432
本文将介绍全新发布的MobileViTv系列，这是YOLOv8的最强改进版本，采用了轻量级Transformer视觉转换器，通过巧妙地融合本地全局和输入特征，高效地提升了计算机视觉的性能。总结起来，全新发布的MobileViTv系列是YOLOv8的最强改进版本，它采用了轻量级Transformer视觉转换器，通过巧妙地融合本地全局和输入特征，高效地提升了计算机视觉的性能。这得益于Transformer的设计思想，它能够有效地捕捉全局图像特征，并进行自适应的特征融合。
基于YOLO的车牌检测识别(YOLO+Transformer）
qq_41920323的博客
08-31 3124
数据集上，车牌检测使用CCPD 2019数据集，在训练检测模型的时候，会使用程序生成虚假的车牌，覆盖于数据集图片上，来加强检测的能力。数据使用的是CCPD数据集，在这过程中，会随机的使用生成车牌，覆盖原始图片的车牌位置，来训练网络对车牌的检测能力。该网络，相当于直接对图片划分cell，即在16X16的格子中，侦测车牌，输出的为该车牌边框的反射变换矩阵。车牌的侦测网络，采用的是resnet18，网络输出检测边框的仿射变换矩阵，可检测任意形状的四边形。然后直接训练车牌号的序列识别网络，
【YOLOv8改进】骨干网络： SwinTransformer (基于位移窗口的层次化视觉变换器）(论文笔记+引入代码)
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
01-26 7696
本文提出了一种新型视觉，称为，它能够作为计算机视觉的通用骨干网络。将Transformer从语言领域适应到视觉领域时面临的挑战源于两个领域之间的差异，例如视觉实体的尺度变化大以及图像中像素的高分辨率相比文本中的单词。为了解决这些差异，我们提出了一种分层Transformer，其表示是通过移位窗口计算得出的。移位窗口方案通过将自注意力计算限制在非重叠的局部窗口内，同时也允许跨窗口连接，从而带来更高的效率。这种分层架构具有在不同尺度上建模的灵活性，并且其计算复杂度与图像大小呈线性关系。的这些特性使其与广泛的视觉
【YOLOv8改进】骨干网络： SwinTransformer (基于位移窗口的层次化视觉变换器）
m0_63430863的博客
06-20 1364
本文提出了一种新型视觉，称为，它能够作为计算机视觉的通用骨干网络。将Transformer从语言领域适应到视觉领域时面临的挑战源于两个领域之间的差异，例如视觉实体的尺度变化大以及图像中像素的高分辨率相比文本中的单词。为了解决这些差异，我们提出了一种分层Transformer，其表示是通过移位窗口计算得出的。移位窗口方案通过将自注意力计算限制在非重叠的局部窗口内，同时也允许跨窗口连接，从而带来更高的效率。这种分层架构具有在不同尺度上建模的灵活性，并且其计算复杂度与图像大小呈线性关系。
赋能 YOLOv8：引领目标检测革命的 SwinTransformer 主干网络
一直在水些技术小文
09-20 2226
YOLO（You Only Look Once）系列一直以其出色的性能和实时性而备受关注，而 YOLOv8 则将先进的 SwinTransformer 主干网络引入其中，为目标检测带来了新的突破。本文将深入研究 YOLOv8 和 SwinTransformer 的结合，为你呈现一篇详尽的博文，包含示例和代码，帮助你深入了解如何实现这一强大的目标检测模型。其中一个最引人注目的改进是将主干网络替换为 SwinTransformer，这一变化为目标检测的实时性和准确性带来了巨大的提升。
路由器挂载alist
03-11
<think>好的，用户问的是如何在路由器上安装和配置AList文件列表程序。首先我需要回忆一下AList的相关知识。AList是一个支持多种存储的文件列表程序，可以挂载网盘等，通常通过Docker部署。用户提到的是在路由器上安装，所以需要确认路由器是否支持Docker。 根据引用[1]，之前有在ARMv7架构的玩客云主机上安装AList和Aria2的例子，使用的是Docker部署。路由器如果是基于类似架构，并且支持Docker的话，步骤可能类似。但很多普通家用路由器可能没有足够的性能或存储来运行Docker，所以需要用户确认路由器的系统是否支持，比如是否是OpenWrt这类第三方固件。 接下来，我需要整理安装步骤。首先，确保路由器系统兼容，比如OpenWrt，并且安装了Docker。然后通过SSH登录路由器，使用Docker命令拉取AList镜像，创建容器，配置端口和数据目录。之后进入AList的Web界面进行进一步设置，比如添加存储和用户管理。 另外，引用[3]提到有些步骤已有详细教程，可能需要引导用户查看相关链接。用户可能还需要内网穿透，如引用[1]中的Cpolar，来公网访问AList，但用户问题暂时没提到这部分，可能后续会需要。 需要注意检查路由器的资源是否足够，存储空间和内存。如果路由器无法运行Docker，可能需要交叉编译AList的二进制文件，或者寻找适合路由器架构的预编译版本，手动安装。 最后，生成相关问题，帮助用户深入解决可能遇到的问题，比如性能优化、结合Aria2使用，或者内网穿透配置。</think>### 如何在路由器上安装和配置AList文件列表程序？ #### 前提条件 1. **路由器系统需支持Docker**：推荐使用OpenWrt等支持容器化部署的固件，并确保路由器存储空间和内存足够运行容器[^1]。 2. **SSH访问权限**：需能通过SSH登录路由器后台。 --- #### 分步操作指南 ##### 1. 安装Docker环境 - 若路由器系统未预装Docker，需通过包管理器手动安装。例如在OpenWrt中： ```bash opkg update opkg install docker docker-compose ``` ##### 2. 拉取AList镜像并启动容器 通过SSH连接路由器后执行： ```bash docker run -d \ --name alist \ -p 5244:5244 \ -v /mnt/sda1/alist:/opt/alist/data \ --restart=always \ xhofe/alist:latest ``` - **参数说明**： - `-p 5244:5244`：将容器内5244端口映射到路由器 - `-v /mnt/sda1/alist:/opt/alist/data`：挂载存储目录（需提前创建`/mnt/sda1/alist`） - `--restart=always`：设置容器自动重启 ##### 3. 获取管理员密码 执行以下命令查看初始密码： ```bash docker exec -it alist ./alist admin random ``` 或查看日志： ```bash docker logs alist | grep password ``` ##### 4. 访问Web界面 浏览器输入 `http://路由器IP:5244`，使用用户名`admin`和上一步获取的密码登录。 ##### 5. 配置存储与功能 - **添加存储**：在Web界面中选择“存储” > “添加”，支持阿里云盘、OneDrive等20+种存储类型。 - **用户管理**：可创建多用户并分配不同存储权限。 - **主题与插件**：支持自定义主题和扩展功能插件。 --- #### 常见问题解决 - **端口冲突**：若5244端口被占用，修改`-p`参数为其他端口（如`-p 8080:5244`）。 - **存储挂载失败**：检查挂载路径权限，执行`chmod -R 777 /mnt/sda1/alist`。 - **性能问题**：若路由器资源不足，可关闭非必要插件或限制容器内存： ```bash docker update --memory 256M alist ``` --- #### 扩展应用（结合引用[1]） 若需公网访问AList，可参考引用[1]通过**Cpolar内网穿透**生成公网地址，或配置DDNS实现固定域名访问。 ---
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

热血小蚂蚁

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值