TrackNet is a semantic segmentation tracking network.
It has the most advanced accuracy in the current TrackNet system, and also has the best accuracy for Few Shot Learning!
擁有目前TrackNet追蹤網路中最先進的精準度,且對於小樣本同樣有最佳的精準度!
V2 and V3 are trained on the same small sample dataset (with the following distributions: training set = 32,421 images, validation set = 3,717 images, test set = 11,118 images).
V2 跟 V3 是在同樣的小樣本資料集訓練(以下 train set=32421張 valid set=3717張 test set=11118張)
Trainset : https://github.com/alenzenx/TrackNetV3/tree/main/raw_data
Testset : https://github.com/alenzenx/TrackNetV3/tree/main/raw_data2
Paper : Click to obtain TrackNetV3 paper
Click to obtain training weights | 點擊以獲取權重 : 90.53%
model from : model.py
model from : model原始檔.py
os system support :
python = 3.7.9~3.9.4
cuda = 11.7 or others
cudnn = 8.9.0 or others (在windows下cudnn裡的檔案請全部拖進cuda中,不然tensorflow可能會報錯)
請先檢查有沒有 tutorial-env 的資料夾,有的話請先整個刪除,重新安裝虛擬環境
only Windows :
安裝虛擬環境 :
python -m venv tutorial-env
安裝pytorch(cuda11.7) :
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117
安裝tensorflow-GPU(大概會安裝tensorflow==2.10.0) :
pip install "tensorflow<2.11"
安裝其他套件 :
pip install -r requirements.txt
python imgLabel.py --label_video_path=你要標註的影片
全部的影片都標註完成後,請自行分開訓練集
與測試集(驗證集)
1.成對的
訓練集
:影片與csv檔丟到raw_data
資料夾2.成對的
測試集(驗證集)
:影片與csv檔丟到raw_data2
資料夾
注意! 如果剛下載專案raw_data
資料夾與raw_data2
已經存在檔案的話,代表我已經標註好了,你可以選擇使用我標註的直接訓練,也可以自行標註。
TrackNetV2_Dataset資料夾請保持下列形式:
TrackNetV2_Dataset
├─ train
|
|
└─ test
注意! 除了上述的train與test,TrackNetV2_Dataset底下的其他檔案請在標註前都刪除(包括train底下的資料夾與test底下的資料夾)
zz_Tracknet_badminton_DataConvert.py
請在 zz_Tracknet_badminton_DataConvert.py
裡更改
original_raw_data = 'raw_data'
target_folder = 'TrackNetV2_Dataset/train'
然後運行 python zz_Tracknet_badminton_DataConvert.py
請在 zz_Tracknet_badminton_DataConvert.py
裡更改
original_raw_data = 'raw_data2'
target_folder = 'TrackNetV2_Dataset/test'
然後運行 python zz_Tracknet_badminton_DataConvert.py
python preprocess.py
注意! 如果 TrackNetV2_Dataset 裡已經有訓練集
與測試集(驗證集)
且2個資料夾裡都有match1、match2...資料夾,即可開始訓練。
請注意訓練時的batchsize,會關係到專屬GPU記憶體的大小, 我使用的 GPU 是 Nvidia RTX3060 12G ,我使用的batchsize=4
python train.py --num_frame 3 --epochs 30 --batch_size 4 --learning_rate 0.001 --save_dir exp
python predict.py --video_file=test.mp4 --model_file=exp/model_best.pt --save_dir pred_result
python denoise.py --input_csv=pred_result/test_ball.csv
python show_trajectory.py --video_file test.mp4 --csv_file pred_result/test_ball.csv --save_dir pred_result
python event_detection.py --input_csv=pred_result/test_ball.csv
TrackNetV3 是參考原始版本的 TrackNetV2 及 Resnet 版本的 TrackNet-Badminton-Tracking-tensorflow2 加以改進的TrackNet版本。