---
title: FairMOT-PyTorch-模型库-ModelZoo-昇腾社区
description: 生态贡献模型
keywords: FairMOT,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境
url: https://www.hiascend.com/software/modelzoo/models/detail/0e80b348e98d45efaebd0e3072fbb34a
section: (其他)
---

# FairMOT-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/0e80b348e98d45efaebd0e3072fbb34a
描述: 生态贡献模型
关键词: FairMOT,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境

ModelZoo主页

主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html)

主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html)

模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)

FairMOT-PyTorch

## FairMOT-PyTorch

视觉检测与跟踪PyTorch训练278次浏览2023/08/14更新

查看模型源码

FairMOT-PyTorch

查看模型源码

模型使用

版本信息

模型使用

版本信息

...

# 概述

## 简述

FairMOT是一阶段多目标跟踪器（one-shot MOT），检测模型和Re-ID重识别模型同时进行，提升了运行速率。FairMOT采用 anchor-free 目标检测方法（CenterNet），估计高分辨率特征图上的目标中心和位置；同时添加并行分支来估计像素级 Re-ID 特征，用于预测目标的 id。

- 参考实现：

```
url=https://github.com/ifzhang/FairMOT
commit_id=815d6585344826e0346a01efd57de45498cfe52b
```
- 适配昇腾 AI 处理器的实现：

```
url=https://gitee.com/ascend/ModelZoo-PyTorch.git
code_path=PyTorch/contrib/cv/detection
```

# 准备训练环境

## 准备环境

- 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。

表 1版本支持表

| Torch_Version | 三方库依赖版本 |
| --- | ---|
| PyTorch 1.5 | pillow==8.4.0 |
| PyTorch 1.8 | pillow==9.1.0 |
- 环境准备指导。

请参考《Pytorch框架训练环境准备 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/ptes)》。
- 安装依赖。

在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。

```
pip install -r 1.5_requirements.txt  # PyTorch1.5版本

pip install -r 1.8_requirements.txt  # PyTorch1.8版本
```

说明：只需执行一条对应的PyTorch版本依赖安装命令。

## 准备数据集

1. 获取数据集。

请用户自行下载MOT17数据集，并在任意路径下新建dataset目录，将下载好数据集存放在该目录下并解压。
数据集目录结构参考如下：

```
MOT17
|——————images
|        └——————train
|        └——————test
└——————labels_with_ids
         └——————train(empty)
```

说明：该数据集的训练过程脚本只作为一种参考示例。
2. 数据预处理（按需处理所需要的数据集）。

首先生成标注文件，对/FairMOT/src/gen_labels_16.py文件进行修改，将该文件的seq_root参数修改为 dataset文件夹的目录+'/MOT17/images/train' ，例如：/root/dataset/MOT17/images/train。

其次将文件中的label_root参数修改为 dataset文件夹的目录+'MOT16/labels_with_ids/train' ，例如/root/dataset/MOT17/labels_with_ids/train，然后在当前目录下执行以下命令：

```
python3 gen_labels_16.py
```

最后下载参考实现的模型源码，将下载的FairMOT/src下的data文件夹放至本模型的src目录下。

## 准备预训练权重

请用户自行下载[DLA-34 official]：CenterNet (Objects as Points) ，可根据参考实现的源码链接进行预训练模型的获取，上面提供了多种训练后的模型文件，并将下载好的预训练权重放到/FairMOT/models/目录下。

# 开始训练

## 训练模型

1. 进入解压后的源码包根目录。

```
cd /${模型文件夹名称} 
```
2. 运行训练脚本。

该模型支持单机单卡训练和单机8卡训练。

- 单机单卡训练

启动单卡训练。

```
bash ./test/train_full_1p.sh --data_path=/data/xxx/  # 单卡精度

bash ./test/train_performance_1p.sh --data_path=/data/xxx/  # 单卡性能
```
- 单机8卡训练

启动8卡训练。

```
bash ./test/train_full_8p.sh --data_path=/data/xxx/  # 8卡精度

bash ./test/train_performance_8p.sh --data_path=/data/xxx/  # 8卡性能
```
- 单机8卡评测

启动8卡评测。

```
bash ./test/train_eval_8p.sh --data_path=/data/xxx/
```

--data_path参数填写数据集路径，需写到数据集的一级目录。

模型训练脚本参数说明如下。

```
公共参数：
--load_model                         //加载预训练模型
--data_cfg                             //指定数据配置文件   
--world_size                          //加载数据进程数
--batch_size                          //批次大小
--lr                                   //初始学习率
--use_npu                            //是否启用npu训练
--use_amp                           //是否启用amp
--num_epochs                        //训练周期数
```

训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。

# 训练结果展示

表 2训练结果展示表

| NAME | MOTA | FPS | Epochs | AMP_Type | Torch_Version |
| --- | --- | --- | --- | --- | ---|
| 1p-竞品V | - | 10 | 30 | - | 1.5 |
| 8p-竞品V | 84.7 | 76 | 30 | - | 1.5 |
| 1p-NPU | - | 5.7818 | 1 | O1 | 1.8 |
| 8p-NPU | 85.2 | 38.2117 | 50 | O1 | 1.8 |

# 版本说明

2023.03.01：更新readme，重新发布。

2021.10.16：首次发布。

## FAQ

无。

| 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 |
| --- | --- | --- | --- | --- | ---|
| 5.0.RC1 | 2023/08/14 | Mixed | Ascend 910 | 6.3.RC1 | modelzoomodelzoo |

使用模型资源和服务前，请您仔细阅读并理解透彻《昇腾深度学习模型许可协议 3.0》 [了解详情](https://www.hiascend.com/legal/modelzoo_models_license)