انتقل إلى المحتوى

مرجع ل ultralytics/trackers/utils/matching.py

ملاحظه

هذا الملف متاح في https://github.com/ultralytics/ultralytics/ نقطة / الرئيسية /ultralytics/ بتتبع / أدوات / مطابقة .py. إذا اكتشفت مشكلة ، فيرجى المساعدة في إصلاحها من خلال المساهمة في طلب 🛠️ سحب. شكرا لك 🙏!



ultralytics.trackers.utils.matching.linear_assignment(cost_matrix, thresh, use_lap=True)

أداء التعيين الخطي باستخدام scipy أو lap.lapjv.

البارامترات:

اسم نوع وصف افتراضي
cost_matrix ndarray

المصفوفة التي تحتوي على قيم التكلفة للتعيينات.

مطلوب
thresh float

عتبة اعتبار المهمة صالحة.

مطلوب
use_lap bool

سواء لاستخدام lap.lapjv. الإعدادات الافتراضية إلى صواب.

True

ارجاع:

نوع وصف
tuple

مجموعة مع: - مؤشرات متطابقة - مؤشرات لا مثيل لها من "أ" - مؤشرات لا مثيل لها من "B"

شفرة المصدر في ultralytics/trackers/utils/matching.py
20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 373839 40  41 42 43 44 45464748495051 525354555657 58
def linear_assignment(cost_matrix: np.ndarray, thresh: float, use_lap: bool = True) -> tuple:
    """
    Perform linear assignment using scipy or lap.lapjv.

    Args:
        cost_matrix (np.ndarray): The matrix containing cost values for assignments.
        thresh (float): Threshold for considering an assignment valid.
        use_lap (bool, optional): Whether to use lap.lapjv. Defaults to True.

    Returns:
        Tuple with:
            - matched indices
            - unmatched indices from 'a'
            - unmatched indices from 'b'
    """

    if cost_matrix.size == 0:
        return np.empty((0, 2), dtype=int), tuple(range(cost_matrix.shape[0])), tuple(range(cost_matrix.shape[1]))

    if use_lap:
        # Use lap.lapjv
        # https://github.com/gatagat/lap
        _, x, y = lap.lapjv(cost_matrix, extend_cost=True, cost_limit=thresh)
        matches = [[ix, mx] for ix, mx in enumerate(x) if mx >= 0]
        unmatched_a = np.where(x < 0)[0]
        unmatched_b = np.where(y < 0)[0]
    else:
        # Use scipy.optimize.linear_sum_assignment
        # https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.linear_sum_assignment.html
        x, y = scipy.optimize.linear_sum_assignment(cost_matrix)  # row x, col y
        matches = np.asarray([[x[i], y[i]] for i in range(len(x)) if cost_matrix[x[i], y[i]] <= thresh])
        if len(matches) == 0:
            unmatched_a = list(np.arange(cost_matrix.shape[0]))
            unmatched_b = list(np.arange(cost_matrix.shape[1]))
        else:
            unmatched_a = list(set(np.arange(cost_matrix.shape[0])) - set(matches[:, 0]))
            unmatched_b = list(set(np.arange(cost_matrix.shape[1])) - set(matches[:, 1]))

    return matches, unmatched_a, unmatched_b



ultralytics.trackers.utils.matching.iou_distance(atracks, btracks)

حساب التكلفة على أساس التقاطع عبر الاتحاد (IoU) بين المسارات.

البارامترات:

اسم نوع وصف افتراضي
atracks list[STrack] | list[ndarray]

قائمة المسارات "أ" أو المربعات المحيطة.

مطلوب
btracks list[STrack] | list[ndarray]

قائمة المسارات "b" أو المربعات المحيطة.

مطلوب

ارجاع:

نوع وصف
ndarray

مصفوفة التكلفة المحسوبة على أساس IoU.

شفرة المصدر في ultralytics/trackers/utils/matching.py
61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 7879 80 81 82 83 84858687888990 919293
def iou_distance(atracks: list, btracks: list) -> np.ndarray:
    """
    Compute cost based on Intersection over Union (IoU) between tracks.

    Args:
        atracks (list[STrack] | list[np.ndarray]): List of tracks 'a' or bounding boxes.
        btracks (list[STrack] | list[np.ndarray]): List of tracks 'b' or bounding boxes.

    Returns:
        (np.ndarray): Cost matrix computed based on IoU.
    """

    if atracks and isinstance(atracks[0], np.ndarray) or btracks and isinstance(btracks[0], np.ndarray):
        atlbrs = atracks
        btlbrs = btracks
    else:
        atlbrs = [track.xywha if track.angle is not None else track.xyxy for track in atracks]
        btlbrs = [track.xywha if track.angle is not None else track.xyxy for track in btracks]

    ious = np.zeros((len(atlbrs), len(btlbrs)), dtype=np.float32)
    if len(atlbrs) and len(btlbrs):
        if len(atlbrs[0]) == 5 and len(btlbrs[0]) == 5:
            ious = batch_probiou(
                np.ascontiguousarray(atlbrs, dtype=np.float32),
                np.ascontiguousarray(btlbrs, dtype=np.float32),
            ).numpy()
        else:
            ious = bbox_ioa(
                np.ascontiguousarray(atlbrs, dtype=np.float32),
                np.ascontiguousarray(btlbrs, dtype=np.float32),
                iou=True,
            )
    return 1 - ious  # cost matrix



ultralytics.trackers.utils.matching.embedding_distance(tracks, detections, metric='cosine')

حساب المسافة بين المسارات والاكتشافات بناء على عمليات التضمين.

البارامترات:

اسم نوع وصف افتراضي
tracks list[STrack]

قائمة المسارات.

مطلوب
detections list[BaseTrack]

قائمة الاكتشافات.

مطلوب
metric str

مقياس لحساب المسافة. الإعدادات الافتراضية ل "جيب التمام".

'cosine'

ارجاع:

نوع وصف
ndarray

مصفوفة التكلفة محسوبة على أساس التضمين.

شفرة المصدر في ultralytics/trackers/utils/matching.py
96 97 98  99 100 101 102 103 104 105 106 107 108109 110111 112  113 114 115  116117 
def embedding_distance(tracks: list, detections: list, metric: str = "cosine") -> np.ndarray:
    """
    Compute distance between tracks and detections based on embeddings.

    Args:
        tracks (list[STrack]): List of tracks.
        detections (list[BaseTrack]): List of detections.
        metric (str, optional): Metric for distance computation. Defaults to 'cosine'.

    Returns:
        (np.ndarray): Cost matrix computed based on embeddings.
    """

    cost_matrix = np.zeros((len(tracks), len(detections)), dtype=np.float32)
    if cost_matrix.size == 0:
        return cost_matrix
    det_features = np.asarray([track.curr_feat for track in detections], dtype=np.float32)
    # for i, track in enumerate(tracks):
    # cost_matrix[i, :] = np.maximum(0.0, cdist(track.smooth_feat.reshape(1,-1), det_features, metric))
    track_features = np.asarray([track.smooth_feat for track in tracks], dtype=np.float32)
    cost_matrix = np.maximum(0.0, cdist(track_features, det_features, metric))  # Normalized features
    return cost_matrix



ultralytics.trackers.utils.matching.fuse_score(cost_matrix, detections)

يدمج مصفوفة التكلفة مع درجات الكشف لإنتاج مصفوفة تشابه واحدة.

البارامترات:

اسم نوع وصف افتراضي
cost_matrix ndarray

المصفوفة التي تحتوي على قيم التكلفة للتعيينات.

مطلوب
detections list[BaseTrack]

قائمة الاكتشافات مع الدرجات.

مطلوب

ارجاع:

نوع وصف
ndarray

مصفوفة التشابه المنصهرة.

شفرة المصدر في ultralytics/trackers/utils/matching.py
120 121 122 123 124 125 126 127 128129 130 131 132 133 134 135 136137 138
def fuse_score(cost_matrix: np.ndarray, detections: list) -> np.ndarray:
    """
    Fuses cost matrix with detection scores to produce a single similarity matrix.

    Args:
        cost_matrix (np.ndarray): The matrix containing cost values for assignments.
        detections (list[BaseTrack]): List of detections with scores.

    Returns:
        (np.ndarray): Fused similarity matrix.
    """

    if cost_matrix.size == 0:
        return cost_matrix
    iou_sim = 1 - cost_matrix
    det_scores = np.array([det.score for det in detections])
    det_scores = np.expand_dims(det_scores, axis=0).repeat(cost_matrix.shape[0], axis=0)
    fuse_sim = iou_sim * det_scores
    return 1 - fuse_sim  # fuse_cost





تم إنشاء 2023-11-12, اخر تحديث 2023-11-25
المؤلفون: جلين جوشر (3) ، يضحك س (1)