自动标注工具

The official implementation for the ECCV 2022 paper Joint Feature Learning and Relation Modeling for Tracking: A One-Stream Framework.

[Models][Raw Results][Training logs]

论文来自以上的内容

1、Install the environment安装环境

Option1: Use the Anaconda (CUDA 10.2)

conda create -n ostrack python=3.8
conda activate ostrack
bash install.sh

Option2: Use the Anaconda (CUDA 11.3)

conda env create -f ostrack_cuda113_env.yaml

Option3: Use the docker file（可选）

We provide the full docker file here.

2、网络参数的放置

确保在./output/checkpoints/train/ostrack文件夹下，有相应的参数文件

比如参数配置为vitb_384_mae_ce_32x4_ep300，

则有 ./output/checkpoints/train/ostrackvitb_384_mae_ce_32x4_ep300/OSTrack_ep0300.pth.tar

本项目默认为vitb_384_mae_ce_32x4_ep300参数配置，OSTrack_ep0300.pth.tar

 -- output
     -- checkpoints
         -- train
           -- ostrackvitb_384_mae_ce_32x4_ep300
               OSTrack_ep0300.pth.tar

3、准备数据文件

本工具每次只能检测一次，确保文件夹模式如下 比如，

 -- data
     1.jpg
     2.jpg
     3.jpg
     ...

4、运行工具

python detection_anno.py --imagedir 数据文件夹 --class_name 类名

比如

python detection_anno.py --imagedir /home/lei/pj2/data/cam13 --class_name jizhan

5、工具规则

1、首次

拖动进度条选择画面，按下r画框,再按回车确认物体，然后自动推导

2、修改

选择任意画面，按r后修改，只能修改user到user之间的画面。

3、播放

tip!!!

黄框为确认的物体，没有遮掩的

蓝框为不确认物体，有遮掩的 最外层有红框的话，则为用户标记

标签的选择，由最底下的滑块决定

选择任意画面，按回车播放

6、获取数据结果

在data文件夹下，可以发现有label/$CLASS_NAME.txt的结果

Highlights

🌟 New One-stream Tracking Framework

OSTrack is a simple, neat, high-performance one-stream tracking framework for joint feature learning and relational modeling based on self-attention operators. Without any additional temporal information, OSTrack achieves SOTA performance on multiple benchmarks. OSTrack can serve as a strong baseline for further research.

Tracker	GOT-10K (AO)	LaSOT (AUC)	TrackingNet (AUC)	UAV123(AUC)
OSTrack-384	73.7	71.1	83.9	70.7
OSTrack-256	71.0	69.1	83.1	68.3

🌟 Good performance-speed trade-off