# dino-tracker

**Repository Path**: sun--ao/dino-tracker

## Basic Information

- **Project Name**: dino-tracker
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2024-07-16
- **Last Updated**: 2024-07-17

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# dino-tracker

#### 介绍
DINO-Tracker 是一个用于视频中长期密集跟踪的新框架，结合了在单个视频上的测试时训练与预训练 DINO-ViT 模型的局部语义特征。它能够在重复遮挡和物体变形的情况下进行有效跟踪，通过 t-SNE 可视化展示优化特征的紧密轨迹聚类，从而实现跨帧和遮挡的匹配。该方法在已知基准测试中表现卓越，显著优于自监督方法，并与最先进的监督跟踪器相竞争，尤其在长期遮挡场景中表现出色。

#### 用法
1克隆仓库  
```git clone https://gitee.com/sun--ao/dino-tracker.git```  
 
2切换目录  
```cd dino-tracker```  

3设置环境  
```
conda create -n dino-tracker python=3.9
conda activate dino-tracker
pip install -r requirements.txt   
``` 

4将当前路径添加到 PYTHONPATH  
```$env:PYTHONPATH="$($PWD.Path);$env:PYTHONPATH"```
  

5将你想要处理的 MP4 视频文件转换为帧图像  
在项目下建立dataset文件，dataset下再建一个文件夹，路径记为<VIDEO_DIR_PATH>，你想要处理的本地视频路径记为<PATH_TO_MP4>，运行命令：  
python .\preprocessing\mp4_to_frames.py --video-path <PATH_TO_MP4> --output-folder <VIDEO_DIR_PATH>\video 
  
运行成功后的文件结构应如下图所示  
```plaintext
├── <VIDEO_DIR>
│   ├── video/
│       ├── 00000.png
│       ├── 00001.png
```  

6预处理  
python .\preprocessing\main_preprocessing.py --config .\config\preprocessing.yaml --data-path <VIDEO_DIR_PATH>
 
  
运行成功后的文件结构应如下图所示   
 
```
├── <VIDEO_DIR>
│   ├── video/
│   ├── masks/ # 可选
│   ├── dino_best_buddies/
│   ├── dino_embeddings/
│   ├── of_trajectories/
```  

7运行轨迹创建脚本  
python .\inference_grid.py --config .\config\train.yaml --data-path <VIDEO_DIR_PATH> --use-segm-mask  

运行成功后查看<VIDEO_DIR_PATH>\of_trajectories文件下的文件名是否为bg_trajectories.pt，若不是则修改文件名为bg_trajectories.pt

  
  
8运行可视化脚本  
python .\visualization\visualize_rainbow.py --data-path <VIDEO_DIR_PATH> --plot-trails
  
  
9输出结果  
生成的mp4文件将存储在以下目录中：  
<VIDEO_DIR_PATH>\visualizations
  
  

#### 注意  
1显卡推荐配置：6GB 或以上显存  
2确保 CUDA 版本与 PyTorch 版本兼容。例如 PyTorch 2.1.0 兼容 CUDA 12.1