商务网站建设网站seo推广多少钱
项目名称为Evidential Detection and Tracking Collaboration，主要用于强大的反无人机系统，涉及新问题、基准和算法研究。下面介绍项目的复现步骤：
- 安装环境：使用Anaconda创建并激活名为
edtc的虚拟环境，Python版本为3.6，然后执行bash install_pytorch17.sh脚本安装相关依赖。
conda create -n edtc python=3.6
conda activate edtc
bash install_pytorch17.sh
- 训练YOLO检测器
- 编辑数据集设置文件
/path/to/EDTC/yolov5/data/antiuav.yaml，配置数据集路径等信息。 - 进入
/path/to/EDTC/yolov5目录，执行python train.py开始训练YOLO检测器。
- 编辑数据集设置文件
cd /path/to/EDTC/yolov5
python train.py
- 训练跟踪分支
- 运行
python tracking/create_default_local_file.py --workspace_dir . --data_dir ./data --save_dir .命令设置项目路径，之后可通过编辑lib/train/admin/local.py（训练路径相关）、experiments/uavtrack/baseline.yaml（阶段1训练路径相关）、experiments/uavtrack_eh/baseline.yaml（阶段2训练路径相关）文件修改路径。 - 阶段1训练：执行
python tracking/train.py --script uavtrack --config baseline --save_dir . --mode multiple --nproc_per_node 8命令进行训练。 - 阶段2训练：执行
python tracking/train.py --script uavtrack_eh --config baseline --save_dir /PATH/TO/SAVE/UAVTRACK_EH --mode multiple --nproc_per_node 8 --stage1_model /STAGE1/MODEL/PATH命令进行训练，需指定阶段1模型的路径。
- 运行
- 在AntiUAV600数据集上评估
- 从[Models and Raw results](Google Driver)下载预训练模型。
- 编辑
lib/test/evaluation/local.py（测试路径相关）和experiments/uavtrack_eh/baseline.yaml（YOLO预训练模型路径，修改其中第133 - 134行）文件，设置相关路径。 - 设置环境变量：
export PYTHONPATH=$PYTHONPATH:/path/to/EDTC
export PYTHONPATH=$PYTHONPATH:/path/to/EDTC/yolov5
- 运行评估命令：`python tracking/test.py uavtrack_eh baseline --dataset antiuav --threads 32 --num_gpus 8 --params__model /path/to/UAVTrackEH.pth.tar --params__search_area_scale 4.55`。若要可视化跟踪结果，需编辑`/path/to/EDTC/lib/test/evaluation/environment.py`文件的第27行，将`self.show_result`设置为`True`。
- 执行`python tracking/evaluate_antiuav_performance.py`命令获取评估指标。
在复现过程中，若数据集尚未发布，需等待数据集发布后获取并按要求放置在指定路径。同时，确保各路径设置正确，若涉及多GPU训练，需保证GPU环境正常且符合代码要求。