功能：使用deepsort算法对图片序列形式的视频作tracking。
运行：
--config_file (声明模型结构的yaml文件路径，暂时使用'fastreid_configs/MOT/bagtricks_R50.yml'(ResNet50 + BNNeck))
IMAGES_PATH (图片序列的路径，例'image_sequence/MOT16-05')
--fps (帧率，目前使用的视频fps都已知，采用原视频的fps可以保证生成的视频和原视频同速)
--model_path (deepsort中使用的reid model的weights，如果未提供model_path，则使用ImageNet pretrained BNNeck model)
输出：
output/MOT16-05.avi
output/MOT16-05.txt
功能：将tracking的结果转化为能用来训练reid模型的reid数据集。
运行：
--dataset_name (例MOT16-05)
--sampling_rate (采样率，图片序列中的每张图有sampling_rate的概率被采用，为了缓解相邻图片太过相似的问题，目前sampling_rate为默认值1)
--partition_rate (training数据集中id的数量占总id数量的比例，目前partition_rate为默认值0.8)
输出：
reid_dataset/MOT16-05
train/
000001_c1_000320.jpg
000001_c1_000321.jpg
...
test/
000002_c1_000129.jpg
000002_c1_000130.jpg
...
query/
000002_c2_000019.jpg
info.txt (生成的数据集的详细信息，包括id数量、image数量等)
图片名称: id_camid_frameindex/jpg
note: 在我们生成的数据集中实际上只有一个camera，但是为了数据集能够用fast_reid库进行训练，在图片命名时将test和query分别设置为camid=1和2。
功能：用指定数据集训练reid模型。
运行：
--config-file (声明模型结构的yaml文件路径，暂时使用'fastreid_configs/MOT/bagtricks_R50.yml'(ResNet50 + BNNeck))
--specific_dataset (例MOT16-05)
--finetune
MODEL.WEIGHTS (以此路径下的model weights为基础继续训练模型)
输出：
logs/mot/bagtricks_R50/MOT16-05
config.yaml
log.txt
metrics.json
model_final.pth
功能：测试reid模型的准确度(DukeMTMC Market1501 MOT16)
运行：
--eval_only
--config-file (声明模型结构的yaml文件路径，暂时使用'fastreid_configs/MOT/bagtricks_R50.yml'(ResNet50 + BNNeck))
--specific_dataset (如果是MOT16的话需要)
--imageNet (测量imageNet pretrained model的性能，无需MODEL.WEIGHTS)
DATASETS.TESTS ("DukeMTMC",) or ("Market1501",) or ("MOT",)
MODEL.WEIGHTS logs/mot/bagtricks_R50/MOT16-06/model_final.pth
OUTPUT_DIR "logs/mot/bagtricks_R50/MOT1-16-06/dukemtmc or market1501"
输出：
logs/mot/bagtricks_R50/MOT16-05/dukemtmc or market1501
config.yaml
log.txt
加速：
https://github.com/JDAI-CV/fast-reid/blob/master/docs/GETTING_STARTED.md#compile-with-cython-to-accelerate-evalution
MOTChallenge 官方的 evaluation 脚本：https://github.com/dendorferpatrick/MOTChallengeEvalKit/blob/master/MOT/README.md
上述 README 中提到的另一个 MOT metrics 计算的库，指标计算与官方没有差异：https://github.com/cheind/py-motmetrics
在虚拟环境中 conda install numpy scipy pandas，pip install motmetrics 后，
python -m motmetrics.apps.eval_motchallenge image_sequence/ output/
指标主要关注最前面三个
image_sequence/
MOT16-05/
gt/gt.txt
MOT16-12/
gt/gt.txt
...
output/
MOT16-05.txt
MOT16-12.txt
...
文件结构需要满足上述格式，脚本会自动根据名字对对应脚本作evaluate。
easy to hard: dataset01, dataset02,...
ImageNet pretrained reid model -> model_0
step 1: 使用model_0对dataset01作tracking，得到的结果转化为reid dataset: reid_dataset_01.
step 2: 使用reid_dataset_01训练reid model，得到model_1.
step3: 使用model_1对dataset02作tracking，得到的结果转化为reid dataset：reid_dataset_02.
step4: 使用reid_dataset_02训练reid model，得到model_2.
...
model_config: fastreid_configs/MOT/bagtricks_R50.yml
datasets:
- name: campus4-c0
fps: 25
sampling_rate: 0.2
- name: terrace1-c0
fps: 25
sampling_rate: 0.2
- name: passageway1-c0
fps: 25
sampling_rate: 0.2
- name: MOT16-05
fps: 14
sampling_rate: 0.5
...
python auto_train.py --config_file configs/auto.yaml --dry-run
只输出即将被顺序执行的若干命令
python auto_train.py --config_file configs/auto.yaml
按照yaml中的数据集开始完整的流程
将训练得到的reid model作批量化的evaluation，包括DukeMTMC和Market1501
model_config: fastreid_configs/MOT/bagtricks_R50.yml
datasets:
- name: campus4-c0
fps: 25
sampling_rate: 0.2
- name: terrace1-c0
fps: 25
sampling_rate: 0.2
- name: passageway1-c0
fps: 25
sampling_rate: 0.2
- name: MOT16-05
fps: 14
sampling_rate: 0.5
...
python auto_eval_reid.py --config_file configs/auto.yaml --dry-run
只输出即将被顺序执行的若干命令
python auto_eval_reid.py --config_file configs/auto.yaml
按照yaml中的数据集开始完整的流程
令model_n对dataset_n作tracking。
其中model_n是利用(reid_dataset_01, reid_dataset_02..., reid_dataset_(n-1))训练得到的模型。
model_config: fastreid_configs/MOT/bagtricks_R50.yml
datasets:
- name: campus4-c0
fps: 25
sampling_rate: 0.2
- name: terrace1-c0
fps: 25
sampling_rate: 0.2
- name: passageway1-c0
fps: 25
sampling_rate: 0.2
- name: MOT16-05
fps: 14
sampling_rate: 0.5
...
python auto_track.py --config_file configs/auto.yaml --dry-run
只输出即将被顺序执行的若干命令
python auto_track.py --config_file configs/auto.yaml
按照yaml中的数据集开始完整的流程