# YOLOV5_DEEPSORT_MOT_FFMPEG_DVPP_AIPP

**Repository Path**: Ironmankiller/yolov5-deepsort-mot-ffmpeg-dvpp-aipp

## Basic Information

- **Project Name**: YOLOV5_DEEPSORT_MOT_FFMPEG_DVPP_AIPP
- **Description**: 针对在边缘侧应用目标检测、识别、跟踪算法的任务需求，拟对小目标高精度检测、实时单目标跟踪、多目标检测识别跟踪等算法展开研究，并基于Atlas200平台进行部署实现。
- **Primary Language**: C/C++
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 4
- **Forks**: 1
- **Created**: 2021-10-25
- **Last Updated**: 2025-12-03

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

中文|[English](README.md)

**本项目适配5.0.3.alpha005及以上版本，支持产品为Atlas200DK**

功能：整合基于RetinaNet实现的小目标检测，基于SORT与DeepSORT实现的多目标跟踪，基于DiMP实现的单目标跟踪。

样例输入：原始mp4文件、h264、h265文件、图像文件夹，来自通过网络连接的上位机的Jpeg图像输入。

样例输出：编码后的h264或者h265文件、JPG格式图像文件，通过网络输出Jpeg编码的图像或文本结果到上位机。

（上位机请在[仓库](https://gitee.com/Ironmankiller/yolov5-deepsort-mot-ffmpeg-dvpp-aipp)发行页面下载，仅支持win10及以上操作系统）

### 前提条件

部署此Sample前，需要准备好以下环境：

- 请确认已按照[环境准备和依赖安装](https://gitee.com/ascend/samples/tree/master/cplusplus/environment)准备好环境。（注意：本项目的开发环境使用x86-64架构下的Ubuntu18.04环境，运行环境位于基于Arm64的Atlas200DK，所以需要分别准备环境）

- 已完成对应产品的开发环境和运行环境安装。

### 软件准备

1. 获取源码包。

    开发环境，非root用户命令行中执行以下命令下载源码仓库。

    **cd $HOME**

    **git clone https://gitee.com/Ironmankiller/yolov5-deepsort-mot-ffmpeg-dvpp-aipp.git**      

2. 获取样例需要的测试数据。

    执行以下命令进入项目data路径下。

    **cd  $HOME/YOLOV5_DEEPSORT_MOT_FFMPEG_DVPP_AIPP/data**

    下载所有数据，[云盘链接](https://drive.google.com/drive/folders/10b73KPZoFV4bUJ17FAqOH2YZBbuwcM71?usp=sharing)

    将下载好的所有文件解压，并拷贝到当前路径。
    
   
3. 获取样例需要的模型文件。

    
    执行以下命令，进入样例的model文件夹中。

    **cd  $HOME/YOLOV5_DEEPSORT_MOT_FFMPEG_DVPP_AIPP/model**

    下载对应的模型文件，[云盘链接](https://drive.google.com/drive/folders/14k2QPUjFRcjBjcPhUBdUHv-gvyoDii2M?usp=sharing)

    将各个文件下的模型文件拷贝到当前路径下的同名文件夹中，例如：

    - 小目标检测样例

      **mkdir retina**

      将网盘中retina文件夹下的内容拷到retina路径

    - 单目标跟踪样例

      **mkdir dimp**
      
      将网盘中dimp文件夹下的内容拷到dimp路径下

    - 多目标跟踪样例

      **mkdir yolo**
      
      将网盘中yolo文件夹下的内容拷到yolo路径下

      **mkdir deepsort**
      
      将网盘中deepsort文件夹下的内容拷到deepsort路径下
    

### 样例部署
 
1. 开发环境命令行中设置编译依赖的环境变量。

    执行以下命令导入环境变量。开发环境为X86架构，运行环境为Arm架构，由于开发环境上同时部署了X86和Arm架构的开发套件，后续编译应用时需要调用Arm架构开发套件的ACLlib库，所以此处需要导入环境变量为Arm架构的ACLlib库路径。

     **export DDK_PATH=$HOME/Ascend/ascend-toolkit/latest/arm64-linux**

     **export NPU_HOST_LIB=$DDK_PATH/acllib/lib64/stub**

2. 切换到YOLOV5_DEEPSORT_MOT_FFMPEG_DVPP_AIPP目录，创建目录用于存放编译文件，例如，本文中，创建的目录为 **build/intermediates**。

    **cd  $HOME/YOLOV5_DEEPSORT_MOT_FFMPEG_DVPP_AIPP**

    **mkdir -p build/intermediates**

3. 切换到 **build/intermediates** 目录，执行cmake生成编译文件。

    需要使用交叉编译器编译。开发环境为X86架构，运行环境为Arm架构，执行以下命令进行交叉编译。

      **cd build/intermediates**

      **make clean**
    
      **cmake ../../ -DCMAKE_CXX_COMPILER=aarch64-linux-gnu-g++ -DCMAKE_BUILD_TYPE=Release**

4. 执行make命令，生成的可执行文件app在 **YOLOV5_DEEPSORT_MOT_FFMPEG_DVPP_AIPP/out** 目录下。

    **make**

### 样例运行

1. 执行以下命令,将开发环境的 **YOLOV5_DEEPSORT_MOT_FFMPEG_DVPP_AIPP** 目录上传到运行环境中，例如 **/home/HwHiAiUser**，并以HwHiAiUser（运行用户）登录运行环境（Host）。

    **scp -r $HOME/YOLOV5_DEEPSORT_MOT_FFMPEG_DVPP_AIPP HwHiAiUser@xxx.xxx.xxx.xxx:/home/HwHiAiUser**

    **ssh HwHiAiUser@xxx.xxx.xxx.xxx**    

    ![](https://images.gitee.com/uploads/images/2020/1106/160652_6146f6a4_5395865.gif "icon-note.gif") **说明：**  
    > - **xxx.xxx.xxx.xxx**为运行环境ip，200DK在USB连接时一般为192.168.1.2，300，RJ45连接时请自行设置，参见教程[连接Atlas 200 DK开发者板与Ubuntu服务器](https://support.huaweicloud.com/environment-deployment-Atlas200DK1011/atlased_04_0014.html)。

2. 运行可执行文件。

    执行以下命令切换目录。
    
      **cd $HOME/YOLOV5_DEEPSORT_MOT_FFMPEG_DVPP_AIPP/out**

    切换目录后，执行以下命令运行样例。

    - 查看帮助文档
    
        **./app work**

    - 小目标检测样例

        **./app work retina -i ../data/val2017_gray_jpg -o network_image xxx.xxx.xxx.xxx:16008**

        输入为本地读图，输出为上位机收图，xxx.xxx.xxx.xxx为运行上位机的机器的IP。

    - 多目标跟踪样例

        **./app work sort -i ../data/MVI_40864 -o video output_video**

        输入为本地读图，输出编码为视频，output_video为输出视频的路径

        **./app work deepsort -i tcp -o network_result xxx.xxx.xxx.xxx:16007**

        输入来自上位机，输出为跟踪结果，返回给上位机由上位机解析并显示。

    - 单目标跟踪样例

        **./app work dimp -i ../data/dimp/test6/6.mp4 -o image output_image**

        输入为本地视频，输出编码为图像，output_image为输出图片所在的路径

        

### 查看结果

运行完成后，会在运行环境的命令行中打印出推理结果,并在命令行参数-o设定的目录下生成推理后的图片、视频，或在推理的过程中实时将结果输出到由-o指定网络地址上所运行上位机。