2、环境搭建与工具准备：Python虚拟环境配置、依赖库安装、数据集准备

说实话，每次开始一个新项目，我最怕的就是环境配置。明明代码写好了，换个机器就跑不起来，这种坑我踩过太多次了。所以这一章，咱们把地基打牢，后面才能跑得顺畅。

2.1 Python虚拟环境——给你的项目一个独立小窝

为什么要用虚拟环境？说白了，就是防止不同项目之间的依赖打架。我有个血的教训：之前做目标检测项目用了PyTorch 1.8，后来做另一个项目需要PyTorch 2.0，结果两个库在同一个环境里互相覆盖，折腾了我一整天。

我个人习惯用 conda 来管理环境，当然 venv 也行。这里我推荐 conda，因为后面装PyTorch时它会自动处理CUDA依赖，省心不少。

创建虚拟环境：

# 创建一个名为 mot_env 的环境，Python版本指定为3.8
conda create -n mot_env python=3.8

# 激活环境
conda activate mot_env

# 退出环境
conda deactivate

嗯，这里要注意：Python版本别选太新。我建议3.8或3.9，因为很多老一点的库（比如某些版本的OpenCV）对3.10以上支持不太好。你想想看，要是装个库报错半天，多影响心情。

2.2 核心依赖库安装

接下来我们装几个关键库。这些是SORT和DeepSORT的骨架，缺一不可。

2.2.1 NumPy & SciPy——科学计算的基础

NumPy不用多说，做矩阵运算的标配。SciPy里我们主要用它的线性代数和优化模块，特别是后面做匈牙利匹配时会用到。

pip install numpy==1.21.0
pip install scipy==1.7.0

版本号我建议锁定，别装最新的。我在项目中遇到过，NumPy 1.24改了某些API，导致老代码报错。稳定第一，功能够用就行。

2.2.2 Scikit-learn——机器学习工具箱

DeepSORT里会用到一个叫 NearestNeighbors 的类，做特征匹配。虽然我们自己也能写，但何必重复造轮子呢？

pip install scikit-learn==0.24.2

2.2.3 OpenCV——图像处理的老朋友

OpenCV负责读视频、画框、做图像预处理。我建议装带contrib扩展包的版本，有些高级功能（比如某些跟踪算法）在基础包里没有。

pip install opencv-python==4.5.3.56
pip install opencv-contrib-python==4.5.3.56

避坑指南：我曾经在Ubuntu上直接 pip install opencv-python，结果发现视频解码功能不全，因为没装ffmpeg。后来改用conda安装才解决。如果你也遇到类似问题，试试：

conda install -c conda-forge opencv

2.2.4 PyTorch——深度学习引擎

DeepSORT的核心——特征提取网络，就是用PyTorch跑的。安装时最关键的是选对CUDA版本。

先看看你的显卡支持什么：

nvidia-smi  # 查看CUDA版本

然后去PyTorch官网选对应的命令。比如CUDA 11.3就用：

pip install torch==1.10.0+cu113 torchvision==0.11.0+cu113 -f https://download.pytorch.org/whl/torch_stable.html

如果没有GPU，也别慌，装CPU版本也能跑，就是慢点：

pip install torch==1.10.0 torchvision==0.11.0

2.3 一键安装脚本

为了省事，我写了个requirements.txt，你直接跑就行：

numpy==1.21.0
scipy==1.7.0
scikit-learn==0.24.2
opencv-python==4.5.3.56
opencv-contrib-python==4.5.3.56
torch==1.10.0
torchvision==0.11.0
matplotlib==3.4.2  # 可视化用
filterpy==1.4.5    # 卡尔曼滤波库，后面会用到

安装命令：

pip install -r requirements.txt

2.4 数据集准备——MOT16/17

数据集是算法的粮食。MOT Challenge系列是行人多目标跟踪的基准数据集，我们主要用MOT16和MOT17。

2.4.1 数据集结构

下载后你会看到这样的目录结构：

MOT16/
├── train/
│   ├── MOT16-02/
│   │   ├── det/
│   │   ├── gt/
│   │   ├── img1/
│   │   └── seqinfo.ini
│   ├── MOT16-04/
│   └── ...
└── test/
    ├── MOT16-01/
    └── ...

每个子序列包含：

  • img1/：所有图片帧，按6位数字命名（如000001.jpg）
  • gt/：标注文件gt.txt，格式为：帧号, 目标ID, 左上角x, 左上角y, 宽, 高, 置信度, 类别, 可见性
  • det/：检测结果，格式同gt.txt，但只有检测框没有ID
  • seqinfo.ini：序列信息，包括帧率、图片尺寸等

2.4.2 下载与解压

MOT16/17数据集需要去官网注册下载：https://motchallenge.net/

下载后解压到项目目录：

mkdir -p datasets
cd datasets
# 假设下载的是 MOT16.zip
unzip MOT16.zip

小技巧：如果你只是学习算法，不需要下载全部数据。MOT16-02和MOT16-05这两个序列就够用了，一个场景简单，一个场景复杂，对比着看效果很明显。

2.4.3 验证数据集是否可用

写个简单脚本检查一下：

import cv2
import os

dataset_path = "datasets/MOT16/train/MOT16-02"
img_dir = os.path.join(dataset_path, "img1")

# 检查图片数量
img_files = sorted(os.listdir(img_dir))
print(f"图片总数: {len(img_files)}")

# 读取第一张图看看
first_img = cv2.imread(os.path.join(img_dir, img_files[0]))
print(f"图片尺寸: {first_img.shape}")

# 检查标注文件
gt_path = os.path.join(dataset_path, "gt", "gt.txt")
with open(gt_path, 'r') as f:
    lines = f.readlines()
print(f"标注框总数: {len(lines)}")

如果输出正常，说明数据集准备好了。

2.5 环境验证

最后，跑个综合测试，确保所有库都能正常调用：

import numpy as np
import scipy
import sklearn
import cv2
import torch

print(f"NumPy版本: {np.__version__}")
print(f"SciPy版本: {scipy.__version__}")
print(f"Scikit-learn版本: {sklearn.__version__}")
print(f"OpenCV版本: {cv2.__version__}")
print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA是否可用: {torch.cuda.is_available()}")

# 简单测试：创建一个随机张量
x = torch.randn(3, 224, 224)
print(f"测试张量形状: {x.shape}")

看到所有版本号都正确输出，恭喜你，环境搭建完成！

总结一下：这一章我们做了三件事：

  1. 用conda创建了独立的Python虚拟环境
  2. 安装了NumPy、SciPy、Scikit-learn、OpenCV、PyTorch等核心库
  3. 下载并验证了MOT16/17数据集

下一章，我们就开始动手写SORT算法的核心——卡尔曼滤波和匈牙利匹配。准备好了吗？

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →