前些日子跑了一下github上提供的yolov5 deepsort，然后现在想着自己去实现yolov4 的deepsort。【这里不讲原理】代码见文末。

yolov4的代码我是采用的b站up主Bubbliiiing开源的pytorch版代码。deepsort部分还是用的原yolov5版的，只是这里我将这两部分代码进行了合并整理【代码中对部分功能进行了删减修改】。

检测效果不是那么好，因为我用的是coco数据集的80类，每个类的准确率不是那么高，可以根据自己的数据集训练自己的类，这样效果会更好。 

目录

代码使用

代码

代码使用

第一步：

下载yolov4权重【权重链接见文末百度云盘】

将下载好的权重yolo4_weights.pth放在yolov4/model_data/文件夹下

修改输入图像大小可以在yolov4/yolo.py中 input_shape进行修改

$ tree model_datamodel_data|-- coco_classes.txt|-- simhei.ttf|-- voc_classes.txt|-- yolo4_weights.pth`-- yolo_anchors.txt

第二步：

在终端运行命令：python track.py --source demo.mp4 --classes 0 --show-vid --save-vid

命令说明：--source 后面的参数是打开摄像头还是本地视频，如果是本地视频输入路径即可

                 --classes 是需要检测的类，因为我这里yolo用的是coco数据集，有80个类，如果不加任何参数，默认是检测80个类，如果想只检测某个类，可以单独指定【0指的是指检测人这个类】

                --show-vid则显示图像

                --save-vid是保存跟踪后的视频，保存路径runs/track/exp【每次检测都会生成一个新的exp文件】

只跟踪行人 

 跟踪所有的类

------------------------------------------------------------------------------------------------------------------------------

在跟踪部分，支持网络如下：【该文件路径在deep_sort/deep/reid/torchreid/models/_init_.py】，代码默认采用的网络为 ：osnet_x0_25。如果换其他网络，输入命令：

python track.py --deep_sort_model resnet50 --source demo.mp4 --classes 0 --show-vid --save-vid

    'resnet18': resnet18,    'resnet34': resnet34,    'resnet50': resnet50,    'resnet101': resnet101,    'resnet152': resnet152,    'resnext50_32x4d': resnext50_32x4d,    'resnext101_32x8d': resnext101_32x8d,    'resnet50_fc512': resnet50_fc512,    'se_resnet50': se_resnet50,    'se_resnet50_fc512': se_resnet50_fc512,    'se_resnet101': se_resnet101,    'se_resnext50_32x4d': se_resnext50_32x4d,    'se_resnext101_32x4d': se_resnext101_32x4d,    'densenet121': densenet121,    'densenet169': densenet169,    'densenet201': densenet201,    'densenet161': densenet161,    'densenet121_fc512': densenet121_fc512,    'inceptionresnetv2': inceptionresnetv2,    'inceptionv4': inceptionv4,    'xception': xception,    'resnet50_ibn_a': resnet50_ibn_a,    'resnet50_ibn_b': resnet50_ibn_b,    # lightweight models    'nasnsetmobile': nasnetamobile,    'mobilenetv2_x1_0': mobilenetv2_x1_0,    'mobilenetv2_x1_4': mobilenetv2_x1_4,    'shufflenet': shufflenet,    'squeezenet1_0': squeezenet1_0,    'squeezenet1_0_fc512': squeezenet1_0_fc512,    'squeezenet1_1': squeezenet1_1,    'shufflenet_v2_x0_5': shufflenet_v2_x0_5,    'shufflenet_v2_x1_0': shufflenet_v2_x1_0,    'shufflenet_v2_x1_5': shufflenet_v2_x1_5,    'shufflenet_v2_x2_0': shufflenet_v2_x2_0,    # reid-specific models    'mudeep': MuDeep,    'resnet50mid': resnet50mid,    'hacnn': HACNN,    'pcb_p6': pcb_p6,    'pcb_p4': pcb_p4,    'mlfn': mlfn,    'osnet_x1_0': osnet_x1_0,    'osnet_x0_75': osnet_x0_75,    'osnet_x0_5': osnet_x0_5,    'osnet_x0_25': osnet_x0_25,    'osnet_ibn_x1_0': osnet_ibn_x1_0,    'osnet_ain_x1_0': osnet_ain_x1_0,    'osnet_ain_x0_75': osnet_ain_x0_75,    'osnet_ain_x0_5': osnet_ain_x0_5,    'osnet_ain_x0_25': osnet_ain_x0_25

自己下载权重【或者自己训练的权重】：

权重会自动下载，如果感觉慢可以去我网盘里下载【我只上传了osnet_x0_25和resnet50】，如果自己下载的是resnet权重，将下载后的权重放在deep_sort/deep/checkpoint/下，然后进入deep_sort/deep/reid/torchreid/models/resnet.py，将model_urls中的'resnet50'的链接改为本地权重路径。

如果你是下载的osnet_x0_25权重，同理可以将权重放在 deep_sort/deep/checkpoint/下，然后在deep_sort/deep/reid/torchreid/models/osnet.py中找到model_dir，直接将路径改为自己的权重路径即可

 以上只针对你自己下载权重的操作，或者你后面训练自己的数据集后放权重的操作。如果是让程序自己下载权重就不用上面修改路径的操作了，程序自动下载的权重一般会保存在C:user/你的用户名/.cache/torch/checkpoints/下

代码

百度云权重：

链接：https://pan.baidu.com/s/1SsRx_bmA2aLKGv9OcIRqSw 
提取码：yypn

代码：https://github.com/YINYIPENG-EN/yolov4_deepsort_pytorchhttps://github.com/YINYIPENG-EN/yolov4_deepsort_pytorch