前几期，我们陆续推出了关于视频目标感知开源工具箱的 3 个重要任务：视频目标检测（VID）任务、多目标跟踪（MOT）任务、单目标跟踪（SOT）任务。
10 月，MMTracking 最新支持了视频感知任务：视频实例分割（VIS）任务。欢迎大家上手使用！
有什么问题，或者对MMTracking的想法、建议，有想支持的新数据集、新方法、新任务，随时在评论区里留言！
1. VIS 任务简介
VIS 旨在检测、跟踪、分割视频里出现的物体，也就是在多目标跟踪任务的基础上更进一层，需要提供每个物体的 mask 信息。
2. VIS 数据集介绍
目前 VIS 领域主流的数据集为 YouTube-VIS 2019、YouTube-VIS 2021。主要的评估指标是 Mask AP，与检测领域的 Mask AP 不同，VIS 中的 Mask AP 计算方式需要考虑算法的跟踪性能。
3. MMTracking 支持的 VIS 算法与数据集
MMTracking 目前支持以下 SOT 算法：
- MaskTrack R-CNN (ICCV 2019)
MMTracking 目前支持 YouTube-VIS 2019、YouTube-VIS 2021 数据集。
4. 上手指南
接下来，本文详细地介绍在 MMTracking 里如何运行 VIS demo、测试 VIS 模型、训练 VIS 模型。
使用 MMTracking，你只需要克隆一下 github 上面的仓库到本地，然后按照安装手册配置一下环境即可，如果安装遇到什么问题，可以给 MMTracking 提 issue，我们会尽快为小伙伴们解答。
假设已经将预训练权重放置在 MMTracking 根目录下的 checkpoints/ 文件夹下（预训练权重可以在相应的 configs 页面下载）。
运行 VIS demo
在 MMTracking 根目录下只需执行以下命令，即可使用 MaskTrack R-CNN 算法运行 VIS demo。
python demo/demo_mot_vis.py \ configs/vis/masktrack_rcnn/masktrack_rcnn_r50_fpn_12e_youtubevis2019.py \ --input ${VIDEO_FILE} \ --checkpoint checkpoints/masktrack_rcnn_r50_fpn_12e_youtubevis2019_20211022_194830-6ca6b91e.pth \ --output ${OUTPUT} \ --show
测试 VIS 模型
在 MMTracking 根目录下使用以下命令即可在 YouTube-VIS 2019 上测试 MaskTrack R-CNN，并且生成一个用于提交结果的 zip 文件。
./tools/dist_test.sh \ configs/vis/masktrack_rcnn/masktrack_rcnn_r50_fpn_12e_youtubevis2019.py \ --checkpoint checkpoints/masktrack_rcnn_r50_fpn_12e_youtubevis2019_20211022_194830-6ca6b91e.pth \ --out ${RESULTS_PATH}/results.pkl \ --format-only \ --eval-options resfile_path=${RESULTS_PATH}
训练 VIS 模型
在 MMTracking 根目录下使用以下命令即可在 YouTube-VIS 2019 数据集上训练 MaskTrack R-CNN。由于 YouTube-VIS 没有提供 validation 集的注释文件，因此在训练过程中不会进行评估。
bash ./tools/dist_train.sh \ ./configs/vis/masktrack_rcnn/masktrack_rcnn_r50_fpn_12e_youtubevis2019.py \ 8 --work-dir ./work_dirs/
其实在 MMTracking 中支持了一些 VIS 模型，并且提供了公共的 checkpoint 供大家使用，在快速上手教程中也有更详细地介绍。
5. MaskTrack R-CNN 实现解析
经过上述步骤，本文已经介绍了怎样运行 VIS 算法，接下来将介绍 MaskTrack R-CNN 在 MMTracking 下的实现。
MaskTrack R-CNN 的配置文件
model = dict( type='MaskTrackRCNN', detector=dict(type='MaskRCNN'), track_head=dict(type='RoITrackHead'), tracker=dict(type='MaskTrackRCNNTracker'))
MaskTrack R-CNN 的配置文件如上所示，可以看到 MaskTrack R-CNN 由 3 部分构成：
detector：使用 MaskRCNN 算法，检测视频里的物体，并给出每个物体的 mask；
track_head：使用 RoITrackHead，计算相邻两帧物体的相似度得分，用于相邻两帧物体的匹配；
tracker：MaskTrack R-CNN 的 Tracker，用来进行相邻两帧物体的跟踪。
Track Head 的配置文件
track_head=dict( type='RoITrackHead', roi_extractor=dict(type='SingleRoIExtractor'), embed_head=dict(type='RoIEmbedHead'), train_cfg=dict( assigner=dict(type='MaxIoUAssigner'), sampler=dict(type='RandomSampler')))
Track Head 的配置文件如上所示，可以看到 Track Head 由 3 部分构成：
- roi_extractor：使用 RoI Align 为 proposals 提取特征；
- embed_head：使用 RoIEmbedHead 对提取出的特征进行进一步加工，然后计算相邻两帧物体的相似度得分；
- train_cfg：track head 的训练配置，其中 assigner 基于最大 IoU 分配正负样本，sampler 基于分配后的结果采样正负样本，在 RoITrackHead 中，一般只使用正样本进行相邻两帧物体的计算。
文章来源：公众号【OpenMMLab】
2021-11-29 21:07
