[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ZQPei--deep_sort_pytorch":3,"tool-ZQPei--deep_sort_pytorch":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":112,"forks":113,"last_commit_at":114,"license":115,"difficulty_score":10,"env_os":116,"env_gpu":117,"env_ram":118,"env_deps":119,"category_tags":133,"github_topics":134,"view_count":144,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":145,"updated_at":146,"faqs":147,"releases":177},2664,"ZQPei\u002Fdeep_sort_pytorch","deep_sort_pytorch","MOT using deepsort and yolov3 with pytorch ","deep_sort_pytorch 是一个基于 PyTorch 框架实现的多目标跟踪（MOT）开源项目。它巧妙地将 DeepSORT 跟踪算法与 YOLOv3、YOLOv5 及 Mask R-CNN 等先进检测模型相结合，旨在解决视频分析中如何持续、稳定地锁定并识别多个移动目标的难题。无论是拥挤场景中的人流监控，还是复杂背景下的车辆追踪，它都能通过提取外观特征有效应对目标遮挡和短暂消失的情况，确保持续赋予目标唯一的 ID。\n\n该项目特别适合计算机视觉开发者、算法研究人员以及需要快速构建视频分析原型的工程师使用。其核心亮点在于将原本基于 TensorFlow 的特征提取网络成功迁移至 PyTorch 生态，降低了深度学习框架的切换门槛。此外，项目持续迭代，不仅引入了 ResNet 增强特征提取能力，支持多 GPU 并行训练以提升效率，还拓展了实例分割功能，能够同时展示目标的类别、跟踪 ID 及精确掩码。代码结构经过重构与优化，接口对齐良好，用户只需准备相应的预训练权重文件即可快速启动检测与跟踪任务，是学习多目标跟踪算法或进行二次开发的优质参考范本。","# Deep Sort with PyTorch\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZQPei_deep_sort_pytorch_readme_9320f159ee2e.gif)\n\n## Update(1-1-2020)\nChanges\n- fix bugs\n- refactor code\n- accerate detection by adding nms on gpu\n\n## Update(07-22)\nChanges\n- bug fix (Thanks @JieChen91 and @yingsen1 for bug reporting).  \n- using batch for feature extracting for each frame, which lead to a small speed up.  \n- code improvement.\n\nFuther improvement direction  \n- Train detector on specific dataset rather than the official one.\n- Retrain REID model on pedestrain dataset for better performance.\n- Replace YOLOv3 detector with advanced ones.\n\n## Update(23-05-2024)\n\n### tracking \n\n- Added resnet network to the appearance feature extraction network in the deep folder\n\n- Fixed the NMS bug in the `preprocessing.py` and also fixed covariance calculation bug in the `kalmen_filter.py` in the sort folder\n\n### detecting\n\n- Added YOLOv5 detector, aligned interface, and added YOLOv5 related yaml configuration files. Codes references this repo: [YOLOv5-v6.1](https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5\u002Ftree\u002Fv6.1).\n\n- The `train.py`, `val.py` and `detect.py` in the original YOLOv5 were deleted. This repo only need **yolov5x.pt**.\n\n### deepsort\n\n- Added tracking target category, which can display both category and tracking ID simultaneously.\n\n## Update(28-05-2024)\n\n### segmentation\n\n* Added Mask RCNN instance segmentation model. Codes references this repo: [mask_rcnn](https:\u002F\u002Fgithub.com\u002FWZMIAOMIAO\u002Fdeep-learning-for-image-processing\u002Ftree\u002Fmaster\u002Fpytorch_object_detection\u002Fmask_rcnn). Visual result saved in `demo\u002Fdemo2.gif`.\n* Similar to YOLOv5, `train.py`, `validation.py` and `predict.py` were deleted. This repo only need **maskrcnn_resnet50_fpn_coco.pth**.\n\n### deepsort\n\n- Added tracking target mask, which can display both category, tracking ID and target mask simultaneously.\n\n## latest Update(09-06-2024)\n\n### feature extraction network\n\n* Using `nn.parallel.DistributedDataParallel` in PyTorch to support multiple GPUs training.\n* Added [GETTING_STARTED.md](deep_sort\u002Fdeep\u002FGETTING_STARTED.md) for better using `train.py` and `train_multiGPU.py`.\n\nUpdated `README.md` for previously updated content(#Update(23-05-2024) and #Update(28-05-2024)).\n\n**Any contributions to this repository is welcome!**\n\n\n## Introduction\nThis is an implement of MOT tracking algorithm deep sort. Deep sort is basicly the same with sort but added a CNN model to extract features in image of human part bounded by a detector. This CNN model is indeed a RE-ID model and the detector used in [PAPER](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.07402) is FasterRCNN , and the original source code is [HERE](https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fdeep_sort).  \nHowever in original code, the CNN model is implemented with tensorflow, which I'm not familier with. SO I re-implemented the CNN feature extraction model with PyTorch, and changed the CNN model a little bit. Also, I use **YOLOv3** to generate bboxes instead of FasterRCNN.\n\n## Dependencies\n- python 3 **(python2 not sure)**\n- numpy\n- scipy\n- opencv-python\n- sklearn\n- torch >= 1.9\n- torchvision >= 0.13\n- pillow\n- vizer\n- edict\n- matplotlib\n- pycocotools\n- tqdm\n\n## Quick Start\n0. Check all dependencies installed\n```bash\npip install -r requirements.txt\n```\nfor user in china, you can specify pypi source to accelerate install like:\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n1. Clone this repository\n```bash\ngit clone git@github.com:ZQPei\u002Fdeep_sort_pytorch.git\n```\n\n2. Download detector parameters\n```bash\n# if you use YOLOv3 as detector in this repo\ncd detector\u002FYOLOv3\u002Fweight\u002F\nwget https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3.weights\nwget https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3-tiny.weights\ncd ..\u002F..\u002F..\u002F\n\n# if you use YOLOv5 as detector in this repo\ncd detector\u002FYOLOv5\nwget https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5\u002Freleases\u002Fdownload\u002Fv6.1\u002Fyolov5s.pt\nor \nwget https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5\u002Freleases\u002Fdownload\u002Fv6.1\u002Fyolov5m.pt\ncd ..\u002F..\u002F\n\n# if you use Mask RCNN as detector in this repo\ncd detector\u002FMask_RCNN\u002Fsave_weights\nwget https:\u002F\u002Fdownload.pytorch.org\u002Fmodels\u002Fmaskrcnn_resnet50_fpn_coco-bf2d0c1e.pth\ncd ..\u002F..\u002F..\u002F\n```\n\n3. Download deepsort feature extraction networks weight\n```bash\n# if you use original model in PAPER\ncd deep_sort\u002Fdeep\u002Fcheckpoint\n# download ckpt.t7 from\nhttps:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1xhG0kRH1EX5B9_Iz8gQJb7UNnn_riXi6 to this folder\ncd ..\u002F..\u002F..\u002F\n\n# if you use resnet18 in this repo\ncd deep_sort\u002Fdeep\u002Fcheckpoint\nwget https:\u002F\u002Fdownload.pytorch.org\u002Fmodels\u002Fresnet18-5c106cde.pth\ncd ..\u002F..\u002F..\u002F\n```\n\n4. **(Optional)** Compile nms module if you use YOLOv3 as detetor in this repo\n```bash\ncd detector\u002FYOLOv3\u002Fnms\nsh build.sh\ncd ..\u002F..\u002F..\n```\n\nNotice:\nIf compiling failed, the simplist way is to **Upgrade your pytorch >= 1.1 and torchvision >= 0.3\" and you can avoid the troublesome compiling problems which are most likely caused by either `gcc version too low` or `libraries missing`.\n\n5. **(Optional)** Prepare third party submodules\n\n[fast-reid](https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid)\n\nThis library supports bagtricks, AGW and other mainstream ReID methods through providing an fast-reid adapter.\n\nto prepare our bundled fast-reid, then follow instructions in its README to install it.\n\nPlease refer to `configs\u002Ffastreid.yaml` for a sample of using fast-reid. See [Model Zoo](https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid\u002Fblob\u002Fmaster\u002Fdocs\u002FMODEL_ZOO.md) for available methods and trained models.\n\n[MMDetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection)\n\nThis library supports Faster R-CNN and other mainstream detection methods through providing an MMDetection adapter.\n\nto prepare our bundled MMDetection, then follow instructions in its README to install it.\n\nPlease refer to `configs\u002Fmmdet.yaml` for a sample of using MMDetection. See [Model Zoo](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection\u002Fblob\u002Fmaster\u002Fdocs\u002Fmodel_zoo.md) for available methods and trained models.\n\nRun\n\n```\ngit submodule update --init --recursive\n```\n\n\n6. Run demo\n```bash\nusage: deepsort.py [-h]\n                   [--fastreid]\n                   [--config_fastreid CONFIG_FASTREID]\n                   [--mmdet]\n                   [--config_mmdetection CONFIG_MMDETECTION]\n                   [--config_detection CONFIG_DETECTION]\n                   [--config_deepsort CONFIG_DEEPSORT] [--display]\n                   [--frame_interval FRAME_INTERVAL]\n                   [--display_width DISPLAY_WIDTH]\n                   [--display_height DISPLAY_HEIGHT] [--save_path SAVE_PATH]\n                   [--cpu] [--camera CAM]\n                   VIDEO_PATH         \n\n# yolov3 + deepsort\npython deepsort.py [VIDEO_PATH] --config_detection .\u002Fconfigs\u002Fyolov3.yaml\n\n# yolov3_tiny + deepsort\npython deepsort.py [VIDEO_PATH] --config_detection .\u002Fconfigs\u002Fyolov3_tiny.yaml\n\n# yolov3 + deepsort on webcam\npython3 deepsort.py \u002Fdev\u002Fvideo0 --camera 0\n\n# yolov3_tiny + deepsort on webcam\npython3 deepsort.py \u002Fdev\u002Fvideo0 --config_detection .\u002Fconfigs\u002Fyolov3_tiny.yaml --camera 0\n\n# yolov5s + deepsort\npython deepsort.py [VIDEO_PATH] --config_detection .\u002Fconfigs\u002Fyolov5s.yaml\n\n# yolov5m + deepsort\npython deepsort.py [VIDEO_PATH] --config_detection .\u002Fconfigs\u002Fyolov5m.yaml\n\n# mask_rcnn + deepsort\npython deepsort.py [VIDEO_PATH] --config_detection .\u002Fconfigs\u002Fmask_rcnn.yaml --segment\n\n# fast-reid + deepsort\npython deepsort.py [VIDEO_PATH] --fastreid [--config_fastreid .\u002Fconfigs\u002Ffastreid.yaml]\n\n# MMDetection + deepsort\npython deepsort.py [VIDEO_PATH] --mmdet [--config_mmdetection .\u002Fconfigs\u002Fmmdet.yaml]\n```\nUse `--display` to enable display image per frame.  \nResults will be saved to `.\u002Foutput\u002Fresults.avi` and `.\u002Foutput\u002Fresults.txt`.\n\nAll files above can also be accessed from BaiduDisk!  \nlinker：[BaiduDisk](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1YJ1iPpdFTlUyLFoonYvozg)\npasswd：fbuw\n\n## Training the RE-ID model\nCheck [GETTING_STARTED.md](deep_sort\u002Fdeep\u002FGETTING_STARTED.md) to start training progress using standard benchmark or **customized dataset**.\n\n## Demo videos and images\n[demo.avi](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1xhG0kRH1EX5B9_Iz8gQJb7UNnn_riXi6)\n[demo2.avi](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1xhG0kRH1EX5B9_Iz8gQJb7UNnn_riXi6)\n\n![1.jpg](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZQPei_deep_sort_pytorch_readme_9a634b25cf73.jpg)\n![2.jpg](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZQPei_deep_sort_pytorch_readme_da3767b3ba65.jpg)\n\n\n## References\n- paper: [Simple Online and Realtime Tracking with a Deep Association Metric](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.07402)\n- code: [nwojke\u002Fdeep_sort](https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fdeep_sort)\n- paper: [YOLOv3: An Incremental Improvement](https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fpapers\u002FYOLOv3.pdf)\n- code: [Joseph Redmon\u002Fyolov3](https:\u002F\u002Fpjreddie.com\u002Fdarknet\u002Fyolo\u002F)\n- paper: [Mask R-CNN](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.06870)\n- code: [WZMIAOMIAO\u002FMask R-CNN](https:\u002F\u002Fgithub.com\u002FWZMIAOMIAO\u002Fdeep-learning-for-image-processing\u002Ftree\u002Fmaster\u002Fpytorch_object_detection\u002Fmask_rcnn)\n- paper: [YOLOv5](https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5)\n- code: [ultralytics\u002Fyolov5](https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5\u002Ftree\u002Fv6.1)\n","# 使用 PyTorch 的 Deep Sort\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZQPei_deep_sort_pytorch_readme_9320f159ee2e.gif)\n\n## 更新(1-1-2020)\n变更\n- 修复了错误\n- 重构代码\n- 通过在 GPU 上添加 NMS 来加速检测\n\n## 更新(07-22)\n变更\n- 修复了错误（感谢 @JieChen91 和 @yingsen1 报告错误）。\n- 对每一帧的特征提取使用批处理，从而略微提升了速度。\n- 改进了代码。\n\n进一步改进方向\n- 在特定数据集上训练检测器，而不是官方数据集。\n- 在行人数据集上重新训练 REID 模型以获得更好的性能。\n- 将 YOLOv3 检测器替换为更先进的模型。\n\n## 更新(23-05-2024)\n\n### 跟踪\n\n- 在 deep 文件夹中的外观特征提取网络中添加了 ResNet 网络。\n\n- 修复了 sort 文件夹中 `preprocessing.py` 中的 NMS 错误，以及 `kalmen_filter.py` 中的协方差计算错误。\n\n### 检测\n\n- 添加了 YOLOv5 检测器，统一了接口，并添加了 YOLOv5 相关的 YAML 配置文件。代码参考了此仓库：[YOLOv5-v6.1](https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5\u002Ftree\u002Fv6.1)。\n\n- 原始 YOLOv5 中的 `train.py`、`val.py` 和 `detect.py` 已被删除。本仓库仅需 **yolov5x.pt**。\n\n### DeepSort\n\n- 添加了跟踪目标类别，可以同时显示类别和跟踪 ID。\n\n## 更新(28-05-2024)\n\n### 分割\n\n* 添加了 Mask RCNN 实例分割模型。代码参考了此仓库：[mask_rcnn](https:\u002F\u002Fgithub.com\u002FWZMIAOMIAO\u002Fdeep-learning-for-image-processing\u002Ftree\u002Fmaster\u002Fpytorch_object_detection\u002Fmask_rcnn)。可视化结果保存在 `demo\u002Fdemo2.gif` 中。\n* 类似于 YOLOv5，`train.py`、`validation.py` 和 `predict.py` 被删除。本仓库仅需 **maskrcnn_resnet50_fpn_coco.pth**。\n\n### DeepSort\n\n- 添加了跟踪目标掩码，可以同时显示类别、跟踪 ID 和目标掩码。\n\n## 最新更新(09-06-2024)\n\n### 特征提取网络\n\n* 使用 PyTorch 中的 `nn.parallel.DistributedDataParallel` 来支持多 GPU 训练。\n* 添加了 [GETTING_STARTED.md](deep_sort\u002Fdeep\u002FGETTING_STARTED.md)，以便更好地使用 `train.py` 和 `train_multiGPU.py`。\n\n更新了 `README.md` 中之前更新的内容（#更新(23-05-2024) 和 #更新(28-05-2024)）。\n\n**欢迎对本仓库做出任何贡献！**\n\n## 简介\n这是一个 MOT 跟踪算法 Deep Sort 的实现。Deep Sort 基本上与 SORT 相同，但增加了一个 CNN 模型来提取由检测器框出的人体部分图像中的特征。这个 CNN 模型实际上是一个 RE-ID 模型，而论文中使用的检测器是 FasterRCNN，原始源代码可以在 [这里](https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fdeep_sort) 找到。\n然而，在原始代码中，CNN 模型是用 TensorFlow 实现的，而我对 TensorFlow 并不熟悉。因此，我用 PyTorch 重新实现了 CNN 特征提取模型，并对 CNN 模型做了一些小改动。此外，我还使用 **YOLOv3** 来生成边界框，而不是 FasterRCNN。\n\n## 依赖项\n- python 3 **(python2 不确定)**\n- numpy\n- scipy\n- opencv-python\n- sklearn\n- torch >= 1.9\n- torchvision >= 0.13\n- pillow\n- vizer\n- edict\n- matplotlib\n- pycocotools\n- tqdm\n\n## 快速开始\n0. 检查所有依赖项是否已安装\n```bash\npip install -r requirements.txt\n```\n对于中国用户，可以指定 PyPI 源以加快安装速度，例如：\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n1. 克隆此仓库\n```bash\ngit clone git@github.com:ZQPei\u002Fdeep_sort_pytorch.git\n```\n\n2. 下载检测器参数\n```bash\n# 如果您在此仓库中使用 YOLOv3 作为检测器\ncd detector\u002FYOLOv3\u002Fweight\u002F\nwget https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3.weights\nwget https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3-tiny.weights\ncd ..\u002F..\u002F..\u002F\n\n# 如果您在此仓库中使用 YOLOv5 作为检测器\ncd detector\u002FYOLOv5\nwget https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5\u002Freleases\u002Fdownload\u002Fv6.1\u002Fyolov5s.pt\n或 \nwget https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5\u002Freleases\u002Fdownload\u002Fv6.1\u002Fyolov5m.pt\ncd ..\u002F..\u002F\n\n# 如果您在此仓库中使用 Mask RCNN 作为检测器\ncd detector\u002FMask_RCNN\u002Fsave_weights\nwget https:\u002F\u002Fdownload.pytorch.org\u002Fmodels\u002Fmaskrcnn_resnet50_fpn_coco-bf2d0c1e.pth\ncd ..\u002F..\u002F..\u002F\n```\n\n3. 下载 DeepSort 特征提取网络权重\n```bash\n# 如果您使用论文中的原始模型\ncd deep_sort\u002Fdeep\u002Fcheckpoint\n# 从以下链接下载 ckpt.t7 到该文件夹：\nhttps:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1xhG0kRH1EX5B9_Iz8gQJb7UNnn_riXi6\ncd ..\u002F..\u002F..\u002F\n\n# 如果您在此仓库中使用 resnet18\ncd deep_sort\u002Fdeep\u002Fcheckpoint\nwget https:\u002F\u002Fdownload.pytorch.org\u002Fmodels\u002Fresnet18-5c106cde.pth\ncd ..\u002F..\u002F..\u002F\n```\n\n4. **（可选）** 如果您在此仓库中使用 YOLOv3 作为检测器，请编译 NMS 模块\n```bash\ncd detector\u002FYOLOv3\u002Fnms\nsh build.sh\ncd ..\u002F..\u002F..\n```\n\n注意：\n如果编译失败，最简单的方法是 **升级您的 PyTorch 至 1.1 或更高版本，以及 torchvision 至 0.3 或更高版本**，这样就可以避免大多数由于 `gcc 版本过低` 或 `缺少库` 导致的编译问题。\n\n5. **（可选）** 准备第三方子模块\n\n[fast-reid](https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid)\n\n该库通过提供 fast-reid 适配器，支持 bagtricks、AGW 等主流 ReID 方法。\n\n要准备我们捆绑的 fast-reid，请按照其 README 中的说明进行安装。\n\n请参阅 `configs\u002Ffastreid.yaml` 以获取使用 fast-reid 的示例。有关可用方法和训练好的模型，请参阅 [Model Zoo](https:\u002F\u002Fgithub.com\u002FJDAI-CV\u002Ffast-reid\u002Fblob\u002Fmaster\u002Fdocs\u002FMODEL_ZOO.md)。\n\n[MMDetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection)\n\n该库通过提供 MMDetection 适配器，支持 Faster R-CNN 和其他主流检测方法。\n\n要准备我们捆绑的 MMDetection，请按照其 README 中的说明进行安装。\n\n请参阅 `configs\u002Fmmdet.yaml` 以获取使用 MMDetection 的示例。有关可用方法和训练好的模型，请参阅 [Model Zoo](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection\u002Fblob\u002Fmaster\u002Fdocs\u002Fmodel_zoo.md)。\n\n运行\n\n```\ngit submodule update --init --recursive\n```\n\n\n6. 运行演示\n```bash\n用法：deepsort.py [-h]\n                   [--fastreid]\n                   [--config_fastreid CONFIG_FASTREID]\n                   [--mmdet]\n                   [--config_mmdetection CONFIG_MMDETECTION]\n                   [--config_detection CONFIG_DETECTION]\n                   [--config_deepsort CONFIG_DEEPSORT] [--display]\n                   [--frame_interval FRAME_INTERVAL]\n                   [--display_width DISPLAY_WIDTH]\n                   [--display_height DISPLAY_HEIGHT] [--save_path SAVE_PATH]\n                   [--cpu] [--camera CAM]\n                   VIDEO_PATH         \n\n# yolov3 + deepsort\npython deepsort.py [VIDEO_PATH] --config_detection .\u002Fconfigs\u002Fyolov3.yaml\n\n# yolov3_tiny + deepsort\npython deepsort.py [VIDEO_PATH] --config_detection .\u002Fconfigs\u002Fyolov3_tiny.yaml\n\n# yolov3 + deepsort 在网络摄像头上\npython3 deepsort.py \u002Fdev\u002Fvideo0 --camera 0\n\n# yolov3_tiny + deepsort 在网络摄像头上\npython3 deepsort.py \u002Fdev\u002Fvideo0 --config_detection .\u002Fconfigs\u002Fyolov3_tiny.yaml --camera 0\n\n# yolov5s + deepsort\npython deepsort.py [VIDEO_PATH] --config_detection .\u002Fconfigs\u002Fyolov5s.yaml\n\n# yolov5m + deepsort\npython deepsort.py [VIDEO_PATH] --config_detection .\u002Fconfigs\u002Fyolov5m.yaml\n\n# mask_rcnn + deepsort\npython deepsort.py [VIDEO_PATH] --config_detection .\u002Fconfigs\u002Fmask_rcnn.yaml --segment\n\n# fast-reid + deepsort\npython deepsort.py [VIDEO_PATH] --fastreid [--config_fastreid .\u002Fconfigs\u002Ffastreid.yaml]\n\n# MMDetection + deepsort\npython deepsort.py [VIDEO_PATH] --mmdet [--config_mmdetection .\u002Fconfigs\u002Fmmdet.yaml]\n```\n使用 `--display` 可以开启每帧图像的显示。  \n结果将保存到 `.\u002Foutput\u002Fresults.avi` 和 `.\u002Foutput\u002Fresults.txt`。\n\n以上所有文件也可通过百度网盘获取！  \n链接：[百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1YJ1iPpdFTlUyLFoonYvozg)  \n提取码：fbuw\n\n## 训练 RE-ID 模型\n请查看 [GETTING_STARTED.md](deep_sort\u002Fdeep\u002FGETTING_STARTED.md)，了解如何使用标准基准数据集或**自定义数据集**开始训练流程。\n\n## 演示视频和图片\n[demo.avi](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1xhG0kRH1EX5B9_Iz8gQJb7UNnn_riXi6)\n[demo2.avi](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1xhG0kRH1EX5B9_Iz8gQJb7UNnn_riXi6)\n\n![1.jpg](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZQPei_deep_sort_pytorch_readme_9a634b25cf73.jpg)\n![2.jpg](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZQPei_deep_sort_pytorch_readme_da3767b3ba65.jpg)\n\n\n## 参考文献\n- 论文：[Simple Online and Realtime Tracking with a Deep Association Metric](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.07402)\n- 代码：[nwojke\u002Fdeep_sort](https:\u002F\u002Fgithub.com\u002Fnwojke\u002Fdeep_sort)\n- 论文：[YOLOv3: An Incremental Improvement](https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fpapers\u002FYOLOv3.pdf)\n- 代码：[Joseph Redmon\u002Fyolov3](https:\u002F\u002Fpjreddie.com\u002Fdarknet\u002Fyolo\u002F)\n- 论文：[Mask R-CNN](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.06870)\n- 代码：[WZMIAOMIAO\u002FMask R-CNN](https:\u002F\u002Fgithub.com\u002FWZMIAOMIAO\u002Fdeep-learning-for-image-processing\u002Ftree\u002Fmaster\u002Fpytorch_object_detection\u002Fmask_rcnn)\n- 论文：[YOLOv5](https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5)\n- 代码：[ultralytics\u002Fyolov5](https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5\u002Ftree\u002Fv6.1)","# deep_sort_pytorch 快速上手指南\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux \u002F Windows \u002F macOS\n*   **Python 版本**: Python 3.x (不建议使用 Python 2)\n*   **核心依赖**:\n    *   PyTorch >= 1.9\n    *   torchvision >= 0.13\n    *   CUDA (可选，用于 GPU 加速)\n*   **其他依赖库**: numpy, scipy, opencv-python, sklearn, pillow, vizer, edict, matplotlib, pycocotools, tqdm\n\n> **提示**：本项目支持多种检测器（YOLOv3, YOLOv5, Mask R-CNN）和特征提取网络（原始 CNN, ResNet），并可选集成 fast-reid 或 MMDetection。基础运行仅需安装核心依赖。\n\n## 安装步骤\n\n### 1. 克隆项目代码\n```bash\ngit clone git@github.com:ZQPei\u002Fdeep_sort_pytorch.git\ncd deep_sort_pytorch\n```\n\n### 2. 安装 Python 依赖\n推荐使用国内镜像源以加速下载：\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 3. 下载模型权重\n根据您想要使用的检测器和特征提取网络，下载对应的预训练权重文件。\n\n**方案 A：使用 YOLOv3 检测器**\n```bash\ncd detector\u002FYOLOv3\u002Fweight\u002F\nwget https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3.weights\nwget https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3-tiny.weights\ncd ..\u002F..\u002F..\u002F\n```\n*(可选) 编译 NMS 模块（若编译失败，请升级 PyTorch >= 1.1 和 torchvision >= 0.3）：*\n```bash\ncd detector\u002FYOLOv3\u002Fnms\nsh build.sh\ncd ..\u002F..\u002F..\n```\n\n**方案 B：使用 YOLOv5 检测器 (推荐)**\n```bash\ncd detector\u002FYOLOv5\n# 下载 yolov5s.pt 或 yolov5m.pt\nwget https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fyolov5\u002Freleases\u002Fdownload\u002Fv6.1\u002Fyolov5s.pt\ncd ..\u002F..\u002F\n```\n\n**方案 C：使用 Mask R-CNN 进行实例分割**\n```bash\ncd detector\u002FMask_RCNN\u002Fsave_weights\nwget https:\u002F\u002Fdownload.pytorch.org\u002Fmodels\u002Fmaskrcnn_resnet50_fpn_coco-bf2d0c1e.pth\ncd ..\u002F..\u002F..\u002F\n```\n\n**下载 DeepSort 特征提取网络权重**\n```bash\ncd deep_sort\u002Fdeep\u002Fcheckpoint\n# 选项 1: 使用官方论文模型 (需手动从 Google Drive 下载 ckpt.t7)\n# 选项 2: 使用 ResNet18 (推荐，直接下载)\nwget https:\u002F\u002Fdownload.pytorch.org\u002Fmodels\u002Fresnet18-5c106cde.pth\ncd ..\u002F..\u002F..\u002F\n```\n\n> **备选方案**：所有权重文件也可通过百度网盘下载。\n> 链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1YJ1iPpdFTlUyLFoonYvozg\n> 提取码：fbuw\n\n### 4. (可选) 配置第三方子模块\n如需使用 fast-reid 或 MMDetection 等高级功能，初始化子模块：\n```bash\ngit submodule update --init --recursive\n```\n*具体配置请参考项目根目录下的 `configs\u002Ffastreid.yaml` 或 `configs\u002Fmmdet.yaml`。*\n\n## 基本使用\n\n运行 `deepsort.py` 脚本即可开始跟踪。结果视频将保存至 `.\u002Foutput\u002Fresults.avi`，轨迹数据保存至 `.\u002Foutput\u002Fresults.txt`。\n\n### 常用命令示例\n\n**1. 使用 YOLOv3 + DeepSort 处理视频文件**\n```bash\npython deepsort.py [VIDEO_PATH] --config_detection .\u002Fconfigs\u002Fyolov3.yaml\n```\n\n**2. 使用 YOLOv5s + DeepSort 处理视频文件 (推荐)**\n```bash\npython deepsort.py [VIDEO_PATH] --config_detection .\u002Fconfigs\u002Fyolov5s.yaml\n```\n\n**3. 调用摄像头进行实时跟踪**\n```bash\n# 使用默认摄像头 (设备号 0)\npython3 deepsort.py \u002Fdev\u002Fvideo0 --camera 0 --config_detection .\u002Fconfigs\u002Fyolov5s.yaml\n```\n\n**4. 开启实时画面显示**\n添加 `--display` 参数可在运行时弹出窗口显示跟踪结果：\n```bash\npython deepsort.py [VIDEO_PATH] --config_detection .\u002Fconfigs\u002Fyolov5s.yaml --display\n```\n\n**5. 使用 Mask R-CNN 进行带掩码的跟踪**\n```bash\npython deepsort.py [VIDEO_PATH] --config_detection .\u002Fconfigs\u002Fmask_rcnn.yaml --segment\n```\n\n### 参数说明\n*   `[VIDEO_PATH]`: 输入视频路径，或使用 `\u002Fdev\u002Fvideo0` (Linux) \u002F `0` (Windows) 指定摄像头。\n*   `--config_detection`: 指定检测器配置文件 (如 `yolov5s.yaml`)。\n*   `--camera`: 指定摄像头设备 ID。\n*   `--display`: 开启实时可视化窗口。\n*   `--segment`: 启用实例分割模式（配合 Mask R-CNN）。\n*   `--cpu`: 强制使用 CPU 运行（默认优先使用 GPU）。\n\n更多高级用法（如调整帧间隔、保存路径等）可运行 `python deepsort.py -h` 查看帮助信息。","某智慧园区安防团队正在开发一套实时人流监控系统，需要在复杂摄像头画面中持续追踪每位行人的轨迹并统计区域人数。\n\n### 没有 deep_sort_pytorch 时\n- **身份频繁切换**：传统算法仅靠位置预测，当两人擦肩而过或短暂遮挡时，系统会错误地交换他们的 ID，导致轨迹断裂混乱。\n- **重复计数严重**：由于无法区分同一人的不同出现片段，人员在画面中进出多次会被重复统计，造成客流数据虚高。\n- **缺乏外观特征**：检测器只输出瞬时边框，无法利用行人衣着等深层视觉特征进行关联，难以应对光照变化或快速移动。\n- **功能扩展困难**：若需同时展示人员类别、ID 及身体轮廓掩码，需自行整合多个独立模型，开发周期长且推理速度慢。\n\n### 使用 deep_sort_pytorch 后\n- **轨迹稳定连续**：结合 YOLOv5\u002FYOLOv3 检测与 Re-ID 深度特征提取，即使发生遮挡或交叉，deep_sort_pytorch 也能牢牢锁定目标 ID，保持轨迹连贯。\n- **统计精准可靠**：凭借稳定的身份维持能力，系统能准确去重计数，为园区运营提供真实可信的客流热力图数据。\n- **多维信息融合**：直接调用内置的 Mask RCNN 模块，即可在同一帧画面中同步渲染人员类别、追踪 ID 及实例分割掩码，可视化效果丰富。\n- **部署高效灵活**：支持 GPU 加速 NMS 及多卡训练，且预置了从 YOLOv3 到 YOLOv5 的多种检测器接口，大幅降低了工程落地门槛。\n\ndeep_sort_pytorch 通过将高精度检测与深度外观特征深度融合，彻底解决了动态场景下多目标“跟丢、跟错”的核心难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZQPei_deep_sort_pytorch_9320f159.gif","ZQPei","pzq","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FZQPei_8410977c.jpg","MLsys&CV","ByteDance","Shanghai","ziqiangpei@foxmail.com",null,"https:\u002F\u002Fzqpei.github.io","https:\u002F\u002Fgithub.com\u002FZQPei",[86,90,94,97,101,104,108],{"name":87,"color":88,"percentage":89},"Python","#3572A5",97.9,{"name":91,"color":92,"percentage":93},"Cuda","#3A4E3A",0.6,{"name":95,"color":96,"percentage":93},"Shell","#89e051",{"name":98,"color":99,"percentage":100},"Dockerfile","#384d54",0.4,{"name":102,"color":103,"percentage":100},"C++","#f34b7d",{"name":105,"color":106,"percentage":107},"C","#555555",0.2,{"name":109,"color":110,"percentage":111},"HTML","#e34c26",0,3013,734,"2026-03-29T09:09:11","MIT","Linux, macOS, Windows","非必需（支持 --cpu 参数），但推荐使用 NVIDIA GPU 以加速检测（支持多卡训练 DistributedDataParallel）。具体显存和 CUDA 版本未说明，需匹配 PyTorch >= 1.9 的要求。若编译 YOLOv3 的 NMS 模块失败，通常是因为 gcc 版本过低或缺少库文件。","未说明",{"notes":120,"python":121,"dependencies":122},"1. 若使用 YOLOv3 检测器，可能需要手动编译 nms 模块（需解决 gcc 版本或库缺失问题），或直接升级 PyTorch>=1.1 和 torchvision>=0.3 以避免编译。2. 首次运行需手动下载检测器权重（YOLOv3\u002Fv5 或 Mask RCNN）和 DeepSort 特征提取网络权重（.t7 或 .pth 文件）。3. 支持集成第三方库 fast-reid 和 MMDetection，需额外初始化 submodule 并安装。4. 支持多 GPU 训练特征提取网络。","3.x (README 明确标注 python 3，不确定支持 python 2)",[123,124,125,126,127,128,129,130,131,132],"torch>=1.9","torchvision>=0.13","numpy","scipy","opencv-python","sklearn","pillow","vizer","edict","matplotlib",[13,52],[135,136,137,138,139,140,141,142,143],"deepsort","pytorch","yolo3","sort","mot","cnn-model","mot-tracking","yolov3","deep-sort",7,"2026-03-27T02:49:30.150509","2026-04-06T08:18:26.517453",[148,153,158,163,168,173],{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},12350,"如何使用自己的数据训练 DeepSort 模型或微调 Market-1501 数据集？","可以修改 `train.py` 文件中的网络初始化部分。具体代码为：`Net = net(num_classes=num_classes, reid=True)`。你需要准备相应的标签数据，并确保训练集和测试集的格式正确。如果是从头训练，需要生成新的检查点（checkpoints）。","https:\u002F\u002Fgithub.com\u002FZQPei\u002Fdeep_sort_pytorch\u002Fissues\u002F7",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},12351,"我想训练车辆跟踪或多类别物体（如树木、球类）的模型，需要替换或修改哪些部分？","对于非行人目标（如车辆），通常需要重新训练重识别（Re-ID）特征提取器，因为预训练权重是针对行人数据集训练的。你需要准备特定目标的重识别数据集进行训练。在代码实现上，可能需要修改类别掩码（mask），例如将 `mask = cls_ids == 0` 修改为支持多类别的列表或范围（如 `mask = cls_ids \u003C 6` 来跟踪前 6 类车辆），并确保检测器（如 YOLOv3）已针对这些类别进行过训练。","https:\u002F\u002Fgithub.com\u002FZQPei\u002Fdeep_sort_pytorch\u002Fissues\u002F58",{"id":159,"question_zh":160,"answer_zh":161,"source_url":162},12352,"使用 MARS 数据集训练时，如何划分训练集和验证集以解决测试报错或准确率低的问题？","需要将 MARS 数据集中的 `bbox_train` 文件夹拆分为 `bbox_train_part`（训练用）和 `bbox_train_val`（验证用）。可以使用以下 Python 脚本按比例随机移动文件：\n```python\nimport os, random, shutil\ndef moveFile(fileDir, dstDir, rate):\n    pathDir = os.listdir(fileDir)\n    pick_number = int(len(pathDir) * rate)\n    sample = random.sample(pathDir, pick_number)\n    for name in sample:\n        shutil.move(fileDir+'\u002F'+name, dstDir+'\u002F'+name)\n# 使用时指定源路径和目标路径及比例即可\n```\n此外，确保在 `test.py` 或相关配置中正确设置 `num_classes`（例如 MARS 数据集可能需设为 1261）。","https:\u002F\u002Fgithub.com\u002FZQPei\u002Fdeep_sort_pytorch\u002Fissues\u002F73",{"id":164,"question_zh":165,"answer_zh":166,"source_url":167},12353,"训练集和测试集的图片尺寸（image_size）必须与 Market-1501 一致吗？ID 可以不同吗？","图片尺寸不一定非要完全一致，但通常建议保持与预训练模型或标准设置（如 Market-1501）一致以获得最佳效果，若更改可能需调整网络输入层。训练集和测试集完全可以使用不同的 ID（例如训练集用 ID 001-003，测试集用 004-006），这是重识别任务的标准做法，旨在测试模型对未见过的身份的泛化能力。","https:\u002F\u002Fgithub.com\u002FZQPei\u002Fdeep_sort_pytorch\u002Fissues\u002F105",{"id":169,"question_zh":170,"answer_zh":171,"source_url":172},12354,"自己训练保存的 .pth 模型加载后参数全为 0 或导致跟踪失败，是什么原因？","这通常是因为模型权重没有正确保存或加载路径错误。请检查训练结束时是否正确执行了保存操作，并确认在推理代码中加载的路径与实际保存路径一致。另外，如果用于非行人目标跟踪，直接使用行人预训练权重或未经过特定目标 Re-ID 训练的模型可能导致效果极差（参数看似无效或跟踪数为 0），此时需要针对特定目标数据集重新训练特征提取网络。","https:\u002F\u002Fgithub.com\u002FZQPei\u002Fdeep_sort_pytorch\u002Fissues\u002F2",{"id":174,"question_zh":175,"answer_zh":176,"source_url":167},12355,"DeepSort 中的 Deep 模块（重识别特征）对最终跟踪效果影响大吗？","在某些场景下，Deep 模块的作用可能不如预期显著。有用户反馈更换不同精度的 Re-ID 权重后效果差异不大，甚至在某些情况下去掉该模块或模型表现不佳时，整体跟踪效果变化不明显。这取决于具体应用场景和数据集难度，但在标准行人跟踪中，它仍有助于处理遮挡和长时跟踪问题。",[]]