這篇部落格主要的目的就是簡單地跑一下實驗，讓下載的程式碼能用預訓練的模型去測試單個視訊，並對結果視覺化，從視覺上感受一下這個跟蹤演算法的效果，至於如果要自己訓練自己的模型該如何準備訓練資料，如何設計自己的模型，如何訓練自己的模型，以及如何評估自己的模型等，這些問題都將在後面的系列部落格中慢慢道來。

1： SiameseFC-TensorFlow環境配置

可參考原始碼中的說明，這裡將截圖放在這裡，大家自行準備可執行的環境。

2：預訓練模型下載轉換和測試

可參考原始碼中的說明，這裡也給個截圖，然後主要對一些檔案做一些詳細一點的註解。內容主要有預訓練模型和測試視訊的下載，模型轉換以及轉換前後的模型對比檢驗，視訊的測試和結果的視覺化。

2.1 預訓練模型和測試視訊下載

核心檔案：scripts/download_assets.py

核心功能：下載SiameseFC的matlab版本預訓練模型，同時下載用於測試的單個視訊。

#! /usr/bin/env python
# -*- coding: utf-8 -*-
#
# Copyright © 2017 bily Huazhong University of Science and Technology
#
# Distributed under terms of the MIT license.
import os.path as osp
import sys
import

zipfile
import six.moves.urllib as urllib # 資料下載相關庫， urllib
CURRENT_DIR = osp.dirname(__file__) # 返回當前.py指令碼檔案的路徑
ROOT_DIR = osp.join(CURRENT_DIR, '..')
sys.path.append(ROOT_DIR) # 增加模組的搜尋路徑
from utils.misc_utils import mkdir_p

# 自己編寫的makir_p函式，生成路徑
def download_or_skip(download_url, save_path): # 資料下載函式
ifnot osp.exists(save_path): # 判斷資料是否已經下載，避免重複下載
print('Downloading: {}'.format(download_url))
opener = urllib.request.URLopener()
opener.retrieve(download_url, save_path)
else:
print('File {} exists, skip downloading.'.format(save_path))
if __name__ == '__main__': # 資料下載準備主函式
assets_dir = osp.join(ROOT_DIR, 'assets') # 新增資料資源儲存的路徑assets_dir
# Make assets directory
mkdir_p(assets_dir) # 生成路徑，儲存資料資源
# Download the pretrained color model # 下載SiameseFC-color pretrained 模型
download_base = 'https://www.robots.ox.ac.uk/~luca/stuff/siam-fc_nets/'
model_name = '2016-08-17.net.mat'
download_or_skip(download_base + model_name, osp.join(assets_dir, model_name))
# Download the pretrained gray model # 下載SiameseFC-color-gray pretrained 模型
download_base = 'https://www.robots.ox.ac.uk/~luca/stuff/siam-fc_nets/'
model_name = '2016-08-17_gray025.net.mat'
download_or_skip(download_base + model_name, osp.join(assets_dir, model_name))
# Download one test sequence # 下載一個測試視訊，供測試和顯示
download_base = "http://cvlab.hanyang.ac.kr/tracker_benchmark/seq_new/"
seq_name = 'KiteSurf.zip'
download_or_skip(download_base + seq_name, osp.join(assets_dir, seq_name))
# Unzip the test sequence # 將下載的視訊.zip檔案解壓縮
with zipfile.ZipFile(osp.join(assets_dir, seq_name), 'r') as zip_ref:
zip_ref.extractall(assets_dir)

2.2 模型轉換

核心檔案：experiments/SiamFC-3s-color-pretrained.py、SiamFC-3s-gray-pretrained.py

相關檔案：scripts/convert_pretrained_model.py,utils/train_utils.py

核心功能：將siameseFC的color和gray模型由matlab格式轉換成tensorflow方便讀取的格式。

就從最外邊的實驗封裝檔案慢慢往裡看吧：experiments/SiamFC-3s-color-pretrained.py

#! /usr/bin/env python
# -*- coding: utf-8 -*-
#
#
# Distributed under terms of the MIT license.
"""Load pretrained color model in the SiamFC paper and save it in the TensorFlow format"""
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import os.path as osp
import sys
CURRENT_DIR = osp.dirname(__file__)
sys.path.append(osp.join(CURRENT_DIR, '..'))
print( osp.join(CURRENT_DIR, '..')) # 新增搜尋路徑
from configuration import LOG_DIR # 從配置檔案中匯入log儲存的路徑
from scripts.convert_pretrained_model import ex # 匯入對應的experiment
# 這裡只是實驗的表皮，具體實驗還得看scripts.convert_pretrained_model詳細內容
if __name__ == '__main__':
RUN_NAME = 'SiamFC-3s-color-pretrained'
ex.run(config_updates={'model_config': {'embed_config': {'embedding_checkpoint_file': '/workspace/czx/Projects/SiamFC-TensorFlow/assets/2016-08-17.net.mat',
'train_embedding': False, },
},
'train_config': {'train_dir': osp.join(LOG_DIR, 'track_model_checkpoints', RUN_NAME), },
'track_config': {'log_dir': osp.join(LOG_DIR, 'track_model_inference', RUN_NAME), }
}, # 實驗執行管理，這裡的話就是根據需要更新一些配置檔案中的引數
options={'--name': RUN_NAME,
'--force': True,
'--enforce_clean': False,
})

模型轉換實驗檔案：scripts/convert_pretrained_model.py

#! /usr/bin/env python
# -*- coding: utf-8 -*-
#
#
# Distributed under terms of the MIT license.
"""Convert the matlab-pretrained model into TensorFlow format"""
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import logging
import os
import os.path as osp
import sys
import numpy as np
import tensorflow as tf
CURRENT_DIR = osp.dirname(__file__)
sys.path.append(osp.join(CURRENT_DIR, '..')) # 新增搜尋路徑
import configuration
import siamese_model
from utils.misc_utils import auto_select_gpu, save_cfgs
# Set GPU
os.environ['CUDA_VISIBLE_DEVICES'] = auto_select_gpu() # 自動選擇GPU
tf.logging.set_verbosity(tf.logging.DEBUG)
from sacred import Experiment # 更好地進行實驗管理
ex = Experiment(configuration.RUN_NAME)
@ex

相關推薦

SiameseFC-TensorFlow 程式碼詳細註解（一）：預訓練模型下載轉換測試以及結果視覺化(轉載)

這篇部落格主要的目的就是簡單地跑一下實驗，讓下載的程式碼能用預訓練的模型去測試單個視訊，並對結果視覺化，從視覺上感受一下這個跟蹤演算法的效果，至於如果要自己訓練自己的模型該如何準備訓練資料，如何設計自己的模型，如何訓練自己的模型，以及如何評估自己的模型等，這些問題都將在後面的

tensorflow利用預訓練模型進行目標檢測（一）：預訓練模型的使用

err sync numpy sna sta porting trac git int32 一、運行樣例官網鏈接：https://github.com/tensorflow/models/blob/master/research/object_detection/obje

Tensorflow學習之路（一）：從MNIST資料集開始

MNIST資料集簡單介紹： MNIST 資料集可在 http://yann.lecun.com/exdb/mnist/ 獲取, 它包含了四個部分: Training set images: train-images-idx3-ubyte.gz (9.9 MB,

TensorFlow深度學習實戰（一）：AlexNet對MNIST資料集進行分類

概要進來一段時間在看深度學習中經典的CNN模型相關論文。同時，為了督促自己學習TensorFlow，通讀論文之後開始，利用TensorFlow實現各個模型，復現相關實驗。這是第一篇論文講解的是AlexNet，論文下載網址為：ImageNet Classific

泛型超詳細解讀（一）：泛型基礎

一：什麼是泛型泛型是jdk5才引進的，泛型其實指得就是引數化型別，使得程式碼可以適應多種型別。像容器，List< T >，大量使用了泛型，它的主要目的之一就是用來指定容器要持有什麼型別的物件。我認為，泛型的好處很多： 1.保證了型別安全

Tensorflow教程學習筆記（一）----將自己的資料集轉換成TFRecord

import tensorflow as tf import numpy as np import os import matplotlib.pyplot as plt import skimage.io as io os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # %%

實現一個程式碼自動生成（一）：模板引擎Freemarker

目錄前言模板引擎FreeMarker 模板引擎是什麼？ FreeMarker是什麼？ FreeMarker如何使用？加入依賴建立Configuratio

EF6 學習筆記（一）：Code First 方式生成數據庫及初始化數據庫實際操作

view sqlserver 4.5 xpl 安裝右鍵 ef6 字符串 ref 參考原文地址： https://docs.microsoft.com/en-us/aspnet/mvc/overview/getting-started/getting-started-wit

真實感海洋的繪制（一）：基於統計學模型的水面模擬方法詳解

最簡自動生成 nbsp imu gif bubuko fourier div img 真實感海洋的繪制（一）：基於統計學模型的水面模擬方法詳解學習了基本的OpenGL和圖形學知識後，第一個想做的事情就是畫水（笑），因為對我而言各種遊戲裏面往往最令人印象深刻的就是那波光粼

Java併發（四）：volatile的實現原理 Java併發（一）：Java記憶體模型乾貨總結

synchronized是一個重量級的鎖，volatile通常被比喻成輕量級的synchronized volatile是一個變數修飾符，只能用來修飾變數。 volatile寫：當寫一個volatile變數時，JMM會把該執行緒對應的本地記憶體中的共享變數重新整理到主記憶體。 volatile讀：當讀一

（一）：小白的Flink學習計劃以及進度表

文章目錄學習計劃以下幾個階段，其實並不是這麼界限分明（比如你在學視訊時，也完全可以看書看原始碼什麼的），這只是我的大致劃分，適合自己的才是最好的。第一階段看視訊在我看來，看視訊是快速的、粗

Java設計模式（一）：單例模式，防止反射和反序列化漏洞

package com.iter.devbox.singleton; import java.io.ObjectStreamException; import java.io.Serializable; /** * 靜態內部類實現方式（也是一種懶載入方式） * 這種方式：執行緒安全，呼叫效率高，並且實

文字分類實戰（一）—— word2vec預訓練詞向量

1 大綱概述　　文字分類這個系列將會有十篇左右，包括基於word2vec預訓練的文字分類，與及基於最新的預訓練模型（ELMo，BERT等）的文字分類。總共有以下系列：　　word2vec預訓練詞向量　　textCNN 模型　　charCNN 模型　　Bi-LSTM 模型　　Bi-LST

文字分類實戰（四）—— Bi-LSTM模型文字分類實戰（一）—— word2vec預訓練詞向量

1 大綱概述　　文字分類這個系列將會有十篇左右，包括基於word2vec預訓練的文字分類，與及基於最新的預訓練模型（ELMo，BERT等）的文字分類。總共有以下系列：　　word2vec預訓練詞向量　　textCNN 模型　　charCNN 模型　　Bi-LSTM 模型　　Bi-LST

文字分類實戰（七）—— Adversarial LSTM模型文字分類實戰（一）—— word2vec預訓練詞向量

1 大綱概述　　文字分類這個系列將會有十篇左右，包括基於word2vec預訓練的文字分類，與及基於最新的預訓練模型（ELMo，BERT等）的文字分類。總共有以下系列：　　word2vec預訓練詞向量　　textCNN 模型　　charCNN 模型　　Bi-LSTM 模型　　Bi-LST

不耗電傳輸資料（一）：高效網路連線下載優化

Contents 高效網路連線下載優化... 1 無線狀態機... 1 應用如何影響無線狀態機... 2 預取資料... 2 批量傳輸和連線... 3 降低連線數量... 4 用網路分析器定位問題... 4 高效網絡連線下載優化用無線網路傳輸資

計算機圖形學學習筆記（一）：概述，直線掃描轉換演算法：DDA，中點畫線演算法，Bresenham演算法

前言感謝中國農大趙明老師的分享~ 現在我要為我自己走向遊戲程式設計打下基石~ 1 計算機圖形學概論 1.1 計算機圖形學課程簡介《計算機圖形學》是計算機、地理資訊系統、應用數學、機械、建築等專業本科教學中的一門重要的專業基礎課如影

誰擋了我的神經網路？（一）—— 如何在訓練中得到更好的結果

誰擋了我的神經網路？（一）—— 如何在訓練中得到更好的結果博主最近在嘗試訓練自己新設計的神經網路，但是網路收斂到的損失並不讓人滿意。於是，博主決定在這裡記錄下在嘗試讓網路收斂得更好的過程中，成功與失敗的經驗（包括實驗）。這一系列會隨著博主研究的不斷深入，有選擇地更新。本文更新於20

機器學習演算法（一）：邏輯迴歸模型（Logistic Regression, LR）

轉自：https://blog.csdn.net/weixin_39910711/article/details/81607386 線性分類器：模型是引數的線性函式，分類平面是（超）平面；非線性分類器：模型分介面可以是曲面或者超平面的組合。典型的線性分類器有感知機，LDA，邏輯斯特迴歸，SVM

文字分類實戰（十）—— BERT 預訓練模型文字分類實戰（一）—— word2vec預訓練詞向量

1 大綱概述　　文字分類這個系列將會有十篇左右，包括基於word2vec預訓練的文字分類，與及基於最新的預訓練模型（ELMo，BERT等）的文字分類。總共有以下系列：　　word2vec預訓練詞向量　　textCNN 模型　　charCNN 模型　　Bi-LSTM 模型　　Bi-LST

SiameseFC-TensorFlow 程式碼詳細註解（一）：預訓練模型下載轉換測試以及結果視覺化(轉載)

1： SiameseFC-TensorFlow環境配置

2：預訓練模型下載轉換和測試

2.1 預訓練模型和測試視訊下載

2.2 模型轉換

相關推薦