AI应用，如何提升跟踪性能（推理速度和准确率）

我们在进行深度学习yolov5实时流处理过程中，经常遇到一个难题，如何实现满帧25fps实时计算，如果采用GPU中tensorrt来加速的话，是可以实现，但是如何在一张GPU卡上，跑至少10路以上2560*1440视频呢，这是一个比较棘手的问题，也是大家一直寻找的突破点，其实这个问题很好解决，在实际处理中，我们并不处理25帧，我们采用跳帧的方式，只处理其中25/5部分，那么没有进行推理的帧的物体框怎么判断呢？
关键问题如下：
1、如何预测没有经过推理的图片的物体框。
2、如何预测推理后却没有检测到上一帧出现的物体
3、如何解决车辆、人物在等待区没动，检测框却一直在抖动的问题？

解决了这三个问题，那么可以说就解决了困扰你的一大心患。

这个问题我们在实际项目中已经解决了，在一张英伟达T4显卡上轻松跑15路2560*1440的视频。

除了上述三个问题还要附带解决视频前处理和后处理的问题：
前处理：拉流->解码->颜色空间转化
后处理：颜色空间转化->编码->推流

在前处理中 拉流->解码->颜色空间转化 这三步必须实时25fps处理，后处理中 颜色空间转化->编码->推流 这个只有当有人观看流的时候才处理，这样就能大大降低GPU压力。

1、如何预测没有经过推理的图片的物体框。
这个可以换个描述：我们隔5帧检测一张，那么两个检测后的帧之间有4帧没有检测，I k0 k1 k2 k3 I，我们只要将某特定物体的开始位置和结束位置连接起来，划分为5等分，就可以将中间的4帧给补全了。

2、如何预测推理后却没有检测到上一帧出现的物体。
这个主要是为了解决跟踪的连续性，我们知道如果跟踪中断，很容易造成计数不准，那么如何提高跟踪的连续性呢。
我们通过一个数组来保存某个特定物体的检测位置，当在中途发现某一帧没有检测到该物体，且判断该物体没有出界，我们可以结果光流的检测结果进行推断，这样结合IOU，就可以推荐丢失的三四帧数据，如果连续五帧没有检测到，可以判断该物体消失，就可以删除该物体的数据了。
3、如何解决车辆、人物在等待区没动，检测框却一直在抖动的问题？

4、如何确定两张连续图片中同一个物体？也就是轨迹跟踪
采用光流来计算下一张图片中物体出现的位置，然后当下一张图片获取后，遍历做IOU，如果预测框与实际图片中检测的框无限接近，那么说明这就是同一个物体，也就是同一个ID,如此实现了物体追踪。

光流算法有传统算法和英伟达的深度学习算法，但是光流的深度学习算法目前来看发展比较难，因为没有法子标注，目前采用unity等动画方式模拟标注进行训练，但是效果不好，因为在实际的环境中，噪声很多，与纯粹的模拟环境差距很大。

英伟达3.0传统光流算法有全局光流，可以计算相机的速度，如此可以解决相机的抖动，位置变化的问题。

参考：
目标检测算法（二）——具体原理以及实现

光流法(optical flow)简介

最后

以上就是任性鸭子为你收集整理的AI应用，如何提升跟踪性能（推理速度和准确率）的全部内容，希望文章能够帮你解决AI应用，如何提升跟踪性能（推理速度和准确率）所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。