【多目标追踪算法】多目标跟踪评价指标

这篇具有很好参考价值的文章主要介绍了【多目标追踪算法】多目标跟踪评价指标。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

yolov5+deepsort 多目标跟踪算法实践

评价指标总览:
【多目标追踪算法】多目标跟踪评价指标

一、MOTA (MOT Accuracy)准确率

【多目标追踪算法】多目标跟踪评价指标
这种指标可以衡量算法跟踪目标的准确性。IDsw (ID switches)度量用于统计MOT算法在对象之间切换的次数。多目标跟踪精度(MOTA)指标将假阳性率、假阴性率和错配率组合成一个数字,为整体跟踪性能提供一个相当合理的数量。尽管有一些缺点和批评,这是目前为止最广泛接受的评价措施的MOT。
【多目标追踪算法】多目标跟踪评价指标

t 是时间帧的索引GT是真实框的物体。
FN(false negative):即该方法未检测到的ground truth对象的数量。(漏检)
FP(false positive): 即被该方法错误检测到但在ground truth中不存在的物体数量。
IDSW:在目标检测中,一个物体发生遮挡再重新出现在视野中,若网络重新赋给了一个序号,则定义为发生一次IDsw。

注意,MOTA也可以是负的情况下,由跟踪犯的错误数量超过了场景中所有对象的数量。

二、MOTP (MOT Precision)精度

【多目标追踪算法】多目标跟踪评价指标
多目标跟踪精度(MOTP)、跟踪距离误差(TDE)和OSPA属于该子集。它们描述了如何精确地跟踪对象,测量边界框重叠和 / 或距离。具体地说,还考虑了基数错误和标签错误。

多目标跟踪精度是所有真正与它们对应的地面真目标之间的平均差异。对于边框重叠,计算如下:
【多目标追踪算法】多目标跟踪评价指标
其中 Ct 表示第 t 帧中匹配的次数,dti 表示第 t 帧中目标 i 与其指定的 ground-truth 对象的 IOU。

因此,MOTP给出了所有正确匹配的假设和它们各自的对象之间td的平均重叠,以及td:= 50%和100%之间的范围。

需要指出的是,MOTP是定位精度的一种度量,不要与使用的 precision / recall 曲线的阳性预测值或相关性相混淆。
在实践中,它量化了检测器的定位精度,因此,它提供了很少的关于跟踪器实际性能的信息

三、Detection检测指标

【多目标追踪算法】多目标跟踪评价指标

四、识别精准率、召回率和F1 score

通过解决时间重叠最大的配对配对问题,建立预测到 ground-truth 映射。在匹配建立后,我们可以计算真阳性id (IDTP) 、假阴性id (IDFN) 和假阳性id (IDFP) 的数量,这将每帧TPs、FNs和FPs的概念推广到轨迹。根据这些量,我们可以将识别精度 (IDP) 和召回率 (recall) 表示为:

【多目标追踪算法】多目标跟踪评价指标

【多目标追踪算法】多目标跟踪评价指标

五、MT (Mostly Tracked)&ML (Mostly Lost)

MT:对于所有的GT里面的轨迹来说,满足高于80%时间都能成功匹配的轨迹占比。这里不关心中途id是否发生改变,只要能有检测框和他匹配上即可。
MT越大就表明GT中被成功匹配时间占比很长的轨迹越多,跟踪效果越好。

【多目标追踪算法】多目标跟踪评价指标

【多目标追踪算法】多目标跟踪评价指标
完整性指标表示ground truth轨迹被跟踪的完整程度。主要跟踪(MT)、部分跟踪(PT)、大部分丢失(ML)和碎片(FM)属于这个集合。

挖个坑:后续结合代码实战分析文章来源地址https://www.toymoban.com/news/detail-444238.html

到了这里,关于【多目标追踪算法】多目标跟踪评价指标的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 基于YOLOv8与DeepSORT实现多目标跟踪——算法与源码解析

    \\\"目标跟踪 (Object Tracking)\\\"是机器视觉领域中的一个重要研究领域。根据跟踪的目标数量,可以将其分为两大类:单目标跟踪 (Single Object Tracking,简称 SOT) 和多目标跟踪 (Multi Object Tracking,简称 MOT)。 多目标跟踪往往面临一些挑战,例如需要同时跟踪多个目标、目标可能频繁遮挡

    2024年02月05日
    浏览(51)
  • 智能交通系统-yolov5+deepsort车辆跟踪、计数、测速、碰撞检测、违规驶入检测(算法-毕业设计)

    本项目效果展示视频:https://www.bilibili.com/video/BV1E3411G7cP/ 1、本项目通过yolov8/yolov7/yolov5 5.0和deepsort实现了一个多功能智能交通监控系统,可为一些同学的课设、大作业等提供参考。分别实现了不同车辆的跟踪,统计不同车型“上行”和“下行”的数量,实时检测车辆速度,检

    2023年04月09日
    浏览(46)
  • 记一次调试YOLOv5+DeepSort车辆跟踪项目的经过

    摘要:学习别人的开源项目是日常的一项必备技能,本文通过一个车辆跟踪(YOLOv5+DeepSort)的例子介绍如何配置和调试GitHub上的开源代码。以第一人称的视角给出本人调试代码的过程,包括项目readme的阅读、python环境配置、代码调试运行等,详细的过程已录制在视频中。完整

    2023年04月12日
    浏览(39)
  • [MOT Challenge]官方生成多目标跟踪算法性能评价指标结果,解决test数据集没有gt文件和官网注册问题

    最近在做一个多目标跟踪相关项目,搞过多目标跟踪的都知道 MOT Challenge 这个benchmark数据集,其包含MOT15,MOT16等多个数据集,每个数据集又可以划分为test和train两类。 但是,官方提供的test数据集是不包含gt.txt的(即真实跟踪框的标注信息),所以我们无法用motmetrics得到MOTA,IDF

    2024年02月03日
    浏览(59)
  • yolov5-tracking-xxxsort yolov5融合六种跟踪算法(二)--目标识别

    本次开源计划主要针对大学生无人机相关竞赛的视觉算法开发。 开源代码仓库链接:https://github.com/zzhmx/yolov5-tracking-xxxsort.git 先按照之前的博客配置好环境: yolov5-tracking-xxxsort yolov5融合六种跟踪算法(一)–环境配置GPU版本 yolov5-tracking-xxxsort yolov5融合六种跟踪算法(一)–

    2024年02月22日
    浏览(47)
  • Yolov5-Lite + Sort算法实现边缘目标跟踪

    昨天挖了个坑,那么今天的话把坑填上,只要是实现Sort算法和Yolov5-Lite的一个整合。当然先前的话,我们在Yolov3–Tiny的时候,也做了一个,不过当时的话,有几个问题没有解决。第一就是当时以中心点进行预测的,这样做的结果就是如果目标框的波动比较大的话,影响会很大

    2024年02月15日
    浏览(50)
  • MAC M2芯片执行yolov8 + deepsort 实现目标跟踪

    步骤过程尝试: 执行mot17 数据集 到coco格式 执行mps发现显存不够用 选择autodl 上的服务器进行训练 安装conda install git 然后重新进行 pycocotools.进行 step 2 安装docker 环境 添加官方秘钥 安装docker环境失败 也是可以运行的 不影响bytetrack训练 这个是使用best权重计算得到的 下面是使

    2024年02月10日
    浏览(46)
  • DeepSORT多目标跟踪——算法流程与源码解析

    1. 目标检测 在目标检测任务中,主要目标是识别图像或视频帧中存在的物体的位置和类别信息。这意味着目标检测算法需要定位物体的边界框(Bounding Box)并确定每个边界框内的物体属于哪个类别(如人、汽车、狗等)。目标检测通常独立地处理每一帧图像,不考虑目标在不

    2024年04月13日
    浏览(50)
  • 经典多目标跟踪算法DeepSORT的基本原理和实现

    点击蓝字 关注我们,让开发变得更有趣 作者| 杨亦诚 排版| 李擎 经典多目标跟踪算法DeepSORT的基本原理和实现 OpenVINO 目标检测 vs 目标跟踪 在开始介绍DeepSORT的原理之前呢,我们先来了解下目标检测,和目标跟踪之间的区别: · 目标检测:在目标检测任务中,我们需要利用A

    2024年02月03日
    浏览(41)
  • YOLO等目标检测模型的非极大值抑制NMS和评价指标(Acc, Precision, Recall, AP, mAP, RoI)、YOLOv5中mAP@0.5与mAP@0.5:0.95的含义

    YOLOv5正负样本定义 yolov5输出有3个预测分支,每个分支的每个网格有3个anchor与之对应。 没有采用IOU最大的匹配方法,而是通过计算该bounding-box和当前层的anchor的宽高比,如果最大比例大于4(设定阈值),则比例过大,则说明匹配度不高,将该bbox过滤,在当前层认为是背景

    2024年02月03日
    浏览(48)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包