[人工智能]新版Yolov5_DeepSort_Pytorch使用ZQPei行人模型的方法

由于号称Yolov5_DeepSort_Pytorch之github官网（mikel-brostrom）改版，加入了多种reid，原来ZQPei提供的针对行人跟踪的权重ckpt.t7不能直接使用。以下记录如何在新版中使用osnet reid模型，以及使用ZQPei ckpt.t7模型的方法。

经本人验证，新版Yolov5_DeepSort_Pytorch，用osnet_x1_0, osnet_ain_x1_0均可运行，性能和ZQPei模型差不多，但速度慢。大约40ms vs 20ms/帧的差别。可能的原因，osnet 匹配图像大，256x128（h，w）， ZQPei ckpt图像小128x64（h，w）。
尝试将ZQPei模型写成新版reid方式。
mikel-brostrom引入KaiyangZhou提供的reid，其使用方法如下。
如何导入torchreid:
将KaiyangZhou github克隆下来，放到Yolov5_DeepSort_Pytorch/deep_sort/deep目录下，目录名为改reid，即Yolov5_DeepSort_Pytorch/deep_sort/deep/reid。
假定已经安装了conda和虚拟环境，且安装好Yolov5_DeepSort_Pytorch所需的模块，进入reid目录，运行

python setup.py develop

如此，即安装好torchreid，可以在程序中加入import torchreid。
从KaiyangZhou的github中，Model zoo里下载权重文件，例如osnet_x1_0.pth，放到checkpoint目录：Yolov5_DeepSort_Pytorch/deep_sort/deep/checkpoint。
（1）修改deep_sort.yaml

DEEPSORT:
  MODEL_TYPE: "osnet_x1_0"    # "ZQP"
  REID_CKPT:  '~/Yolov5_DeepSort_Pytorch/deep_sort/deep/checkpoint/osnet_x1_0_imagenet.pth'
# REID_CKPT:  '~/Yolov5_DeepSort_Pytorch/deep_sort/deep/checkpoint/ckpt.t7'
  MAX_DIST: 0.1 # 0.2 The matching threshold. Samples with larger distance are considered an invalid match
  MAX_IOU_DISTANCE: 0.7 # 0.7 Gating threshold. Associations with cost larger than this value are disregarded.
  MAX_AGE: 90 # 30 Maximum number of missed misses before a track is deleted
  N_INIT: 3 # 3  Number of frames that a track remains in initialization phase
  NN_BUDGET: 100 # 100 Maximum size of the appearance descriptors gallery
  MIN_CONFIDENCE: 0.75
  NMS_MAX_OVERLAP: 1.0

（2）track.py中指定reid模型，添加checkpoint路径。

parser.add_argument('--deep_sort_model', type=str, default='osnet_x1_0')
#parser.add_argument('--deep_sort_model', type=str, default='ZQP')

deepsort = DeepSort(deep_sort_model,
                         cfg.DEEPSORT.REID_CKPT,   # 添加checkpoint路径
                        device,
                        max_dist=cfg.DEEPSORT.MAX_DIST,
                        max_iou_distance=cfg.DEEPSORT.MAX_IOU_DISTANCE,
                        max_age=cfg.DEEPSORT.MAX_AGE, n_init=cfg.DEEPSORT.N_INIT, nn_budget=cfg.DEEPSORT.NN_BUDGET,
                        )

在deep_sort.yaml文件中给出权重文件路径，可跳过从网上下载权重的过程，直接从本地下载。
如此可运行osnet reid之deepsort跟踪程序track.py。

注：上述修改中，加注释#的部分是采用ZQPei模型。

将ZQPei模型添加到reid中的办法： 模型名称：ZQP， 模型文件名：model_ZQP.py
（3）修改ZQPei github代码中 model.py，
（a）在py文件中添加函数

def ZQP(num_classes=751, pretrained=True, loss='softmax', **kwargs):
    model = Net(
    num_classes=num_classes, 
    pretrained = pretrained,
    loss = 'softmax',
    **kwargs
    )
    return model

（b）reid 改为 pretrained。
为避免名称发生冲突，将原来的model.py改成model_ZQP.py。

（4）在deep_sort/deep/reid/torchreid/models/__init__.py中添加：

from .model_ZQP import *

在

__model_factory = {

下面添加自己的模型：

'ZQP': ZQP

（5）在deep_sort/deep/reid/torchreid/utils/feature_extractor.py中添加

from deep_sort.deep.reid.torchreid.models.model_ZQP import Net

其中的__init__函数中修改image_size, num_classes:

def __init__(
        self,
        model_name='',
        model_path='',
        image_size=(128, 64),           #(256, 128)
        pixel_mean=[0.485, 0.456, 0.406],
        pixel_std=[0.229, 0.224, 0.225],
        pixel_norm=True,
        device='cuda',
        verbose=True
    ):
        # Build model
        model = build_model(
            model_name,
            num_classes=751,              # 注意此处修改为market1501的分类数
            pretrained=True,
            use_gpu=device.startswith('cuda')
        )

（6）此外，由于ckpt.t7中的state_dict名称为net_dict，与常规的不一致，需要修改：
修改deep_sort/deep/reid/torchreid/utils/torchtools.py

checkpoint = load_checkpoint(weight_path)
    if 'state_dict' in checkpoint:
        state_dict = checkpoint['state_dict']
    elif 'net_dict' in checkpoint:                                    #   更改，将模型中的net_dict改名为state_dict
        state_dict = checkpoint['net_dict']                   #   更改处。
    else:
        state_dict = checkpoint 

现在可以运行ckpt.t7，变更处太多，但可以保持与其他的reid兼容使用feature_extractor.py。

或者直接改feature_extractor.py如下，但只能适用于ckpt.t7，其他的reid都不能用：

from __future__ import absolute_import
import numpy as np
import torch
import torchvision.transforms as T
from PIL import Image
import cv2
from torchreid.utils import (
    check_isfile, load_pretrained_weights, compute_model_complexity
    )
from torchreid.models import build_model
import logging
from deep_sort.deep.reid.torchreid.models.model_ZQP import Net

class FeatureExtractor(object):
    def __init__(
        self,
		model_name='',
		model_path='',
		image_size=(64, 128), # 256, 128 w, h
		pixel_mean=[0.485, 0.456, 0.406],
		pixel_std=[0.229, 0.224, 0.225],
		pixel_norm=True,
		device='cuda'
		):
		self.net = Net(pretrained =True)
			if model_path and check_isfile(model_path):
				self.device = "cuda" if torch.cuda.is_available() else "cpu"
				state_dict = torch.load(model_path, map_location=torch.device(self.device))['net_dict']
				self.net.load_state_dict(state_dict)
			self.net.eval()
			self.size = (64,128) # self.size = (64,128) , self.size(width, height)
		import torchvision.transforms as transforms
		self.norm = transforms.Compose([
		transforms.ToTensor(),
		transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]),
		])
		device = torch.device(device)
		self.net.to(device)

	def _preprocess(self, im_crops):
		def _resize(im, size):
			return cv2.resize(im.astype(np.float32)/255., size)

		im_batch = torch.cat([self.norm(_resize(im, self.size)).unsqueeze(
			0) for im in im_crops], dim=0).float()
		return im_batch
	def __call__(self, im_crops):
		im_batch = self._preprocess(im_crops)
		with torch.no_grad():
			im_batch = im_batch.to(self.device)
			features = self.net(im_batch)
		return features # .cpu().numpy()

总结
兼容方式
（1）修改deep_sort.yaml，指定权重文件路径，模型名称。
（2）track.py命令行变更reid模型名称。
（3）model_ZQP.py修改
（4）__init__.py添加模型名称ZQP
（5）feature_extractor.py修改image_size, num_classes，添加import reid
（6）torchtools.py调整模型net_dict为state_dict
非兼容方式
（1）修改deep_sort.yaml，指定权重文件路径，模型名称。
（2）track.py命令行变更reid模型名称。
（3）model_ZQP.py修改
（4）__init__.py添加模型名称ZQP
（5）替换feature_extractor.py