前主流的Tracking By Detecting方式的多目標追蹤(Multi-Object Tracking, MOT)算法主要由兩部分組成：Detection+Embedding。Detection部分即針對視頻，檢測出每一幀中的潛在目標。Embedding部分則將檢出的目標分配和更新到已有的對應軌跡上(即ReID重識別任務)。根據這兩部分實現的不同，又可以劃分為SDE系列和JDE系列算法。
對於傳統的多目標跟蹤，使用到的數據集是MOT16，MOT17這樣的數據集格式，種類有如下這幾種：
dataset/mot
|——————image_lists
|——————caltech.10k.val
|——————caltech.all
|——————caltech.train
|——————caltech.val
|——————citypersons.train
|——————citypersons.val
|——————cuhksysu.train
|——————cuhksysu.val
|——————eth.train
|——————mot16.train
|——————mot17.train
|——————prw.train
|——————prw.val
|——————Caltech
|——————Cityscapes
|——————CUHKSYSU
|——————ETHZ
|——————MOT16
|——————MOT17
|——————PRW
其中數據格式如下：
MOT17
|——————images
| └——————train
| └——————test
└——————labels_with_ids
└——————train
所有數據集的標注是以統一數據格式提供的。各個數據集中每張圖片都有相應的標注文本。給定一個圖像路徑，可以通過將字符串images替換為labels_with_ids並將.jpg替換為.txt來生成標注文本路徑。在標注文本中，每行都描述一個邊界框，格式如下：
[class] [identity] [x_center] [y_center] [width] [height]
注意:
class為類別id，支持單類別和多類別，從0開始計，單類別即為0。identity是從1到num_identities的整數(num_identities是數據集中所有視頻或圖片序列的不同物體實例的總數)，如果此框沒有identity標注，則為-1。[x_center] [y_center] [width] [height]是中心點坐標和寬高，注意他們的值是由圖片的寬度/高度標准化的，因此它們是從0到1的浮點數。這種數據從格式來看，似乎與目標檢測yolov格式相似，但其中的圖像，不是單一的場景下的一張圖片，而是一段連續視頻幀下，截取連續幾幀的圖片。
相對自定義數據集來說，做目標跟蹤的數據標注成本要大很多，因此本文介紹一種分二階段實現多目標跟蹤的方法，
分為目標檢測和目標跟蹤二步完成
完成多目標跟蹤，首先就是訓練一個目標檢測的模型，基於單幀檢測的目標，使用算法，來判斷其他幀檢測的對象是否為同一物體，進而實現持續的視頻跟蹤。
目標檢測模型使用cv2.dnn來加載這個模型，cv2.dnn可以加載多個類型的模型（格式），具體cv2.dnn模塊說明參考下面這個鏈接：
Opencv.dnn加載模型
這裡以PaddleDetection的模型為列，將模型轉為onnx
1.首先是下載必要的文件和框架。
git clone https://github.com.cnpmjs.org/PaddlePaddle/PaddleDetection --depth 1
cd PaddleDetection
python setup.py install
pip install pycocotools paddle2onnx onnxruntime onnx
快速目標檢測，主要用到這幾個文件：
以yolov3_mobilenet_v3_large_270e_voc為例：
首先到configs找到
只需要修改紅色框這個數據參數：
voc.yml參數需要修改的部分如下；
自己的分類類別數，以及數據集路徑，需要將自己定義的數據集轉換成合適的格式，比如這裡的voc格式。
訓練
python tools/train.py -c configs/yolov3/yolov3_mobilenet_v3_large_270e_voc.yml --eval -o use_gpu=true --use_vdl=True --vdl_log_dir=vdl_dir/scalar
use_gpu：是否使用GPU
vdl_log_dir：訓練loss可視化配置
如果需要切換GPU，在tools/train.py增加二行代碼：
輸入下面這個命令就可以查看自己訓練可視化結果了
visualdl --logdir ./log --port 8080
得到模型參數與優化器參數在PaddleDetection/output裡，前綴model_final為最好的模型結果
python tools/eval.py -c configs/yolov3/yolov3_mobilenet_v3_large_270e_voc.yml -o use_gpu=true weights=output/yolov3_mobilenet_v3_large_270e_voc/model_final.pdparams
python tools/infer.py -c configs/yolov3/yolov3_mobilenet_v3_large_270e_voc.yml -o weights=output/yolov3_mobilenet_v3_large_270e_voc/model_final.pdparams --infer_img=demo/1.jpg
python tools/export_model.py -c configs/yolov3/yolov3_mobilenet_v3_large_270e_voc.yml -o weights=https://paddledet.bj.bcebos.com/models/ppyoloe_crn_l_300e_coco.pdparams
導出的模型在PaddleDetection/output_inference裡
首先就是訓練一個目標檢測的模型
用cv2.dnn加載這個模型，要知道cv2.dnn可以加載那些類型的模型（格式）
這裡以PaddleDetection模型為列，將模型轉為onnx
Detection注意：因為現在升級到2.0後，使用export.py導出的也會是叫model.pdmodel和model.pdiparams，
只有使用export.py導出的模型才是預測模型（只包含前向計算），可以被paddle2onnx導出。使用訓練生成的model.pdmodel和
model.pdiparams是不可以被paddle2onnx導出的。
paddle2onnx --model_dir saved_inference_model \
--model_filename model.pdmodel \
--params_filename model.pdiparams \
--save_file model.onnx \
--enable_dev_version True
# check by ONNX
import onnx
# onnx_file = save_path + '.onnx'
# onnx_file ='onnx-model/detectionmodel.onnx'
save_path = 'onnx-model/'
onnx_file = save_path + 'detectionmodel.onnx'
onnx_model = onnx.load(onnx_file)
onnx.checker.check_model(onnx_model)
print('The model is checked!')
def loadcv2dnnNetONNX(onnx_path):
net = cv2.dnn.readNetFromONNX(onnx_path)
net.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV)
net.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU)
print('load successful')
return net
