STARK数据集准备完全手册LaSOT、GOT10K与TrackingNet配置指南【免费下载链接】Stark[ICCV21] Learning Spatio-Temporal Transformer for Visual Tracking项目地址: https://gitcode.com/gh_mirrors/st/StarkSTARKSpatio-Temporal Transformer for Visual Tracking是ICCV2021收录的视觉跟踪算法以端到端架构和实时性能著称。本文将详细介绍如何准备LaSOT、GOT10K和TrackingNet三大主流跟踪数据集帮助新手快速搭建STARK的训练与评估环境。数据集概览为什么选择这三个STARK的高性能得益于对大规模数据集的充分训练。项目官方推荐使用以下三个数据集LaSOT包含1400段视频覆盖70个目标类别每段视频平均长度较长适合训练长期跟踪能力GOT10K包含10,000段视频和100个目标类别场景多样性极强是通用目标跟踪的标准 benchmarkTrackingNet拥有30,000段视频由专业标注人员标注数据规模和质量均属顶级STARK的时空Transformer架构示意图数据集的质量直接影响模型性能环境准备基础路径配置在开始数据集准备前需先完成项目克隆和环境配置git clone https://gitcode.com/gh_mirrors/st/Stark cd Stark conda create -n stark python3.6 conda activate stark bash install_pytorch17.sh设置项目路径python tracking/create_default_local_file.py --workspace_dir . --data_dir ./data --save_dir .路径配置文件位于训练路径lib/train/admin/local.py测试路径lib/test/evaluation/local.py标准目录结构数据存放规范所有数据集需按照以下结构存放于./data目录下${STARK_ROOT} -- data -- lasot |-- airplane |-- basketball ... -- got10k |-- test |-- train |-- val -- trackingnet |-- TRAIN_0 |-- TRAIN_1 ... |-- TRAIN_11 |-- TEST详细配置指南LaSOT数据集配置下载数据集从官方网站获取LaSOT数据集需学术邮箱申请文件结构解压后保持原始目录结构每个类别为独立文件夹lasot/ ├── airplane/ │ ├── airplane-1/ │ │ ├── img/ │ │ ├── groundtruth.txt │ │ ├── full_occlusion.txt │ │ └── out_of_view.txt │ └── ... └── ...训练集划分STARK使用预定义的训练集划分文件lib/train/data_specs/lasot_train_split.txt包含所有训练视频的列表GOT10K数据集配置下载数据集从官方网站下载GOT10K完整数据集文件结构需包含训练、验证和测试集三部分got10k/ ├── train/ ├── val/ └── test/训练集划分项目提供多种训练集划分方案got10k_train_full_split.txt完整训练集9335段视频got10k_train_split.txt部分训练集got10k_vot_train_split.txtVOT竞赛允许使用的训练集TrackingNet数据集配置下载数据集使用官方工具包下载全部12个训练集和测试集文件结构每个训练集为独立文件夹包含帧图像和标注文件trackingnet/ ├── TRAIN_0/ │ ├── frames/ │ └── anno/ ├── TRAIN_1/ └── ...类别映射使用trackingnet_classmap.txt文件建立序列到类别的映射关系验证数据集配置完成数据集准备后可通过以下命令验证配置是否正确# 测试LaSOT数据集加载 python -c from lib.train.dataset.lasot import Lasot; dataset Lasot(splittrain); print(fLaSOT sequences: {len(dataset)}) # 测试GOT10K数据集加载 python -c from lib.train.dataset.got10k import Got10k; dataset Got10k(splittrain); print(fGOT10K sequences: {len(dataset)}) # 测试TrackingNet数据集加载 python -c from lib.train.dataset.tracking_net import TrackingNet; dataset TrackingNet(); print(fTrackingNet sequences: {len(dataset)})常见问题解决路径错误确保local.py文件中的数据集路径与实际存放位置一致文件缺失检查数据集中是否包含必要的标注文件如groundtruth.txt内存问题对于大规模数据集建议使用LMDB格式加速加载相关实现可参考lib/train/dataset/lasot_lmdb.py下一步开始训练STARK完成数据集准备后即可开始训练STARK模型# 训练STARK-S50 python tracking/train.py --script stark_s --config baseline --save_dir . --mode multiple --nproc_per_node 8 # 训练STARK-ST50两阶段 python tracking/train.py --script stark_st1 --config baseline --save_dir . --mode multiple --nproc_per_node 8 python tracking/train.py --script stark_st2 --config baseline --save_dir . --mode multiple --nproc_per_node 8 --script_prv stark_st1 --config_prv baseline更多训练和评估细节请参考项目官方文档README.md通过本文档您已掌握STARK所需三大数据集的完整配置流程。高质量的数据集是训练高性能跟踪模型的基础建议确保数据完整且路径配置正确为后续模型训练和评估奠定良好基础。【免费下载链接】Stark[ICCV21] Learning Spatio-Temporal Transformer for Visual Tracking项目地址: https://gitcode.com/gh_mirrors/st/Stark创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考