Yolo-Detection/upbot_SORT

Yolov5s+SORT(卡尔曼+匈牙利)

利用目标跟踪对检测框进行预测的技术，对目标检测任务进行加速，在yolov5检测的帧之间穿插使用卡尔曼滤波进行目标检测框的预测，减少对模型的调用，实现目标检测帧率提升的目的。

代码运行环境：

开发环境	rk3588
OpenCV	opencv-3.4.3-windows
调用模型	YOLOv5s.rknn

主要代码设置：

环境配置：

进入到ROS环境主目录中
catkin_make #编译程序
source devel/setup.bash #更新ROS工作环境变量
rosrun sort_test sortmain #运行SORT加速检测代码
sudo cat /sys/kernel/debug/rknpu/load #查看npu占用

消耗时间分析

对于摄像头显示的画面（双目摄像头）

读取摄像头画面需要花费1~3ms，60~100ms，（两种极端，忽快忽慢）

检测需要花费40ms（40ms上下幅度，±不超过5ms）

使用跟踪加速的情况下，跟踪算法花费时间15ms（根据目标框数量，±5ms）

标记检测框需要花费0.05ms（多个putText的操作，消耗时间可忽略不计）

双目匹配花费50~140ms（出现波动）

帧率显示大约花费0.03ms（单个putText的操作，消耗时间可忽略不计）

imgshow大约花费3.5ms（单帧图像imgshow的操作）

视频读取分析

使用python opencv读取一段视频，仅进行读取，消耗时间在25ms左右。

while True:
    frame_time = time.time()
    ret, frame = cap.read()

    if not ret:
        print("End of video or failed to read frame.")
        break
    # 显示当前帧
    cv2.imshow("Video Playback", frame)
    frame_time = time.time() - frame_time
    print(f"frame cost: {1000*frame_time:.2f} ms")

使用c++ opencv读取一段时间，仅进行读取，消耗时间在30ms左右，但也有40ms+和50ms+以及10ms的情况，不太稳定。

    while (true) {
        int64 t = getTickCount();
		// 读取视频帧
		cap >> frame;
        // // 显示当前帧
        // cv::imshow("Video Playback", frame);
		int64 t1 = getTickCount()-t;
        std::cout << frame_num << " frame cost:"<< t1*1000/cv::getTickFrequency()<< "ms" << std::endl;
		frame_num++;
    }

c++不添加指定帧率（cap.set(cv::CAP_PROP_FPS, 30)），读取帧率速度花费时间会很长，不添加指定帧率的情况下读取一帧需要200ms。