सामग्री पर जाएं

के लिए संदर्भ ultralytics/trackers/utils/matching.py

नोट

यह फ़ाइल यहाँ उपलब्ध है https://github.com/ultralytics/ultralytics/बूँद/मुख्य/ultralytics/trackers/utils/matching.py का उपयोग करें। यदि आप कोई समस्या देखते हैं तो कृपया पुल अनुरोध का योगदान करके इसे ठीक करने में मदद करें 🛠️। 🙏 धन्यवाद !



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

scipy या lap.lapjv का उपयोग करके रैखिक असाइनमेंट करें।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
cost_matrix ndarray

मैट्रिक्स जिसमें असाइनमेंट के लिए लागत मान होते हैं।

आवश्यक
thresh float

एक असाइनमेंट को वैध मानने के लिए दहलीज।

आवश्यक
use_lap bool

lap.lapjv का उपयोग करें या नहीं। सही करने के लिए डिफ़ॉल्ट।

True

देता:

प्रकार विवरण: __________
tuple

के साथ टपल: - मिलान सूचकांक - 'A' से बेजोड़ सूचकांक - 'B' से बेजोड़ सूचकांक

में स्रोत कोड ultralytics/trackers/utils/matching.py
20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43  44 4546474849 5051 52 53 54555657 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)

पटरियों के बीच यूनियन (आईओयू) पर चौराहे के आधार पर लागत की गणना करें।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
atracks list[STrack] | list[ndarray]

पटरियों 'ए' या बाउंडिंग बॉक्स की सूची।

आवश्यक
btracks list[STrack] | list[ndarray]

पटरियों 'बी' या बाउंडिंग बॉक्स की सूची।

आवश्यक

देता:

प्रकार विवरण: __________
ndarray

IoU के आधार पर लागत मैट्रिक्स की गणना की जाती है।

में स्रोत कोड ultralytics/trackers/utils/matching.py
61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84858687888990 9192 93
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')

एम्बेडिंग के आधार पर पटरियों और पता लगाने के बीच की दूरी की गणना करें।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
tracks list[STrack]

पटरियों की सूची।

आवश्यक
detections list[BaseTrack]

पता लगाने की सूची।

आवश्यक
metric str

दूरी गणना के लिए मैट्रिक। 'कोसाइन' के लिए डिफ़ॉल्ट।

'cosine'

देता:

प्रकार विवरण: __________
ndarray

एम्बेडिंग के आधार पर गणना की गई लागत मैट्रिक्स।

में स्रोत कोड ultralytics/trackers/utils/matching.py
96 97  98 99  100 101 102 103 104 105  106 107 108109110 111 112 113 114 115 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)

फ़्यूज़ एक एकल समानता मैट्रिक्स का उत्पादन करने के लिए डिटेक्शन स्कोर के साथ लागत मैट्रिक्स।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
cost_matrix ndarray

मैट्रिक्स जिसमें असाइनमेंट के लिए लागत मान होते हैं।

आवश्यक
detections list[BaseTrack]

स्कोर के साथ पता लगाने की सूची।

आवश्यक

देता:

प्रकार विवरण: __________
ndarray

फ्यूज्ड समानता मैट्रिक्स।

में स्रोत कोड ultralytics/trackers/utils/matching.py
120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136137138
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





2023-11-12 बनाया गया, अपडेट किया गया 2023-11-25
लेखक: ग्लेन-जोचर (3), लाफिंग-क्यू (1)