قابلیت reid این کد را قوی کن و یک کد کامل بنویس و ...

در این نمونه‌کد ما از YOLO برای آشکارسازی اشیا و از کتابخانهٔ deep_sort_realtime برای ردگیری (Tracking) و بهبود ReID (بازشناسایی مجدد) استفاده می‌کنیم. ایدهٔ اصلی برای قوی‌تر کردن ReID این است که از مدل تعبیه (Embedder) قوی‌تری استفاده شود و همچنین برخی پارامترهای مرتبط با deep_sort را که بر دقت و پایداری شناسه (ID) تأثیر می‌گذارند، به درستی تنظیم کنیم.

در deep_sort_realtime چندین انتخاب برای Embedder وجود دارد (همچون mobilenet، osnet_x0_25، osnet_x0_5، osnet_x0_75، osnet_x1_0، osnet_x1_0_simplified و غیره). مدل‌های مبتنی بر OSNet عموماً عملکرد بهتری در مبحث ReID دارند. همچنین تنظیماتی مثل max_dist، nn_budget، و غیره در ردیاب DeepSORT اثر گذارند.

نمونه کد زیر، کدی کامل‌تر از نظر ReID است. در این کد از YOLO برای تشخیص اشیا استفاده شده و برای ردیابی با DeepSORT، از مدل OSNet (مثلاً osnet_x0_25) جهت استخراج ویژگی‌ها (ReID embedding) استفاده می‌گردد. همچنین چند پارامتر مهم DeepSORT تنظیم شده است:

1. embedder: نام مدل تعبیهٔ ما برای ReID.
2. max_dist: بیشینه فاصلهٔ مجاز بین تعبیه‌ها (Embedding) برای یکی در نظر گرفتن دو جعبه (BBox) در فریم‌های مختلف. هرچه این مقدار کمتر باشد، مدل سخت‌گیرانه‌تر عمل می‌کند و احتمال جابه‌جا شدن IDها کمتر می‌شود، اما ممکن است ID گم شود.
3. nn_budget: اندازهٔ بافر نزدیک‌ترین همسایه‌ها در هنگام محاسبهٔ شباهت تعبیه‌ها. هرچه بیشتر باشد، حافظهٔ تاریخی بلندمدت‌تر می‌شود.
4. max_age: تعداد فریم‌هایی که اگر یک Track در آن ظاهر نشود، از دست می‌رود.
5. n_init: تعداد فریم‌های ابتدایی که نیاز است یک Track تأیید (confirm) شود تا عنوان «تأییدشده» بگیرد.

همچنین برای ارتقاء سرعت می‌توانیم از GPU استفاده کنیم (در صورت وجود) و پارامتر half=True را در برخی مدل‌ها فعال کنیم، به‌خصوص اگر در دستگاهی با پشتیبانی FP16 مانند کارت‌های گرافیکی NVIDIA باشیم.

python
import cv2
import torch
from ultralytics import YOLO
from deep_sort_realtime.deepsort_tracker import DeepSort
import os
import traceback

def load_model(model_path):
    """
    مدل YOLO را از مسیر داده شده بارگذاری می‌کند.
    در صورت وجود CUDA (کارت گرافیک سازگار با NVIDIA)، از GPU استفاده می‌کند.
    """
    model = YOLO(model_path)
    device = 'cuda' if torch.cuda.is_available() else 'cpu'
    model.to(device)
    return model

def process_frame(model, frame):
    """
    روی هر فریم مدل YOLO را اجرا می‌کند و خروجی شامل مختصات
    جعبه‌های مکان‌یاب، اعتماد مدل (confidence) و شناسهٔ کلاس را برمی‌گرداند.
    """
    results = model(frame)
    detections = results[0].boxes.xyxy.cpu().numpy()  # مختصات bbox به شکل [x1, y1, x2, y2]
    confidences = results[0].boxes.conf.cpu().numpy() # لیست confidence برای هر bbox
    class_ids = results[0].boxes.cls.cpu().numpy()    # لیست شناسه کلاس برای هر bbox
    return detections, confidences, class_ids

def draw_detections(frame, detections, confidences, confidence_threshold=0.3):
    """
    جعبه‌های مکان‌یاب را روی تصویر رسم می‌کند و فقط آن‌هایی که اعتماد بالاتر
    از threshold دارند نگه می‌دارد.
    خروجی: بایندینگ‌باکس‌ها و اسکورهایی که برای DeepSORT نیاز داریم.
    """
    bboxes = []
    scores = []
    for i, box in enumerate(detections):
        x1, y1, x2, y2 = map(int, box[:4])
        confidence = confidences[i]
        if confidence > confidence_threshold:
            bboxes.append([x1, y1, x2, y2])
            scores.append(confidence)
            # رسم جعبه سبزرنگ برای آشکارسازی YOLO
            cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2)
    return bboxes, scores

def track_objects(deepsort, frame, bboxes, scores):
    """
    با توجه به بایندینگ‌باکس‌های دیتکشن‌شده و اسکورهایشان، خروجی ردیاب DeepSORT را بروزرسانی می‌کند
    و سپس روی تصویر جعبه‌های ردگیری‌شده را می‌کشد.
    """
    # تبدیل bboxes و scores به فرمتی که DeepSORT انتظار دارد:
    detections = []
    for bbox, score in zip(bboxes, scores):
        x1, y1, x2, y2 = bbox
        w = x2 - x1
        h = y2 - y1
        detections.append(([x1, y1, w, h], score, None))  # (bbox, confidence, feature=None)

    # بروزرسانی مسیر (Track) در DeepSORT
    trackers = deepsort.update_tracks(detections, frame=frame)

    # رسم نتایج ردیابی روی فریم
    for track in trackers:
        if not track.is_confirmed():
            continue
        track_id = track.track_id
        ltrb = track.to_ltrb()  # مختصات [x1, y1, x2, y2]
        x1, y1, x2, y2 = map(int, ltrb)
        # رسم جعبه آبی‌رنگ برای شیء ردیابی‌شده
        cv2.rectangle(frame, (x1, y1), (x2, y2), (255, 0, 0), 2)
        label = f"ID {track_id}"
        cv2.putText(frame, label, (x1, y1 - 10),
                    cv2.FONT_HERSHEY_SIMPLEX, 0.6, (255, 0, 0), 2)

def detect_and_track(video_path, model_path):
    """
    این تابع ویدئو را می‌خواند، در هر فریم، آشکارسازی (Detection) با YOLO انجام می‌شود
    و سپس DeepSORT جهت ردیابی و بازشناسایی مجدد استفاده می‌شود.
    """
    try:
        model = load_model(model_path)

        # ساخت نمونه DeepSort با تنظیمات دلخواه (reID قوی‌تر):
        #  - embedder: یکی از مدل‌های OSNet را تنظیم می‌کنیم (مثال: osnet_x0_25).
        #  - max_dist: هر چه عدد کمتر باشد سختگیرانه‌تر با matchکردن reID برخورد می‌کند.
        #  - nn_budget: اندازه بافر نزدیک‌ترین‌همسایه‌ها
        #  - max_age: پس از چند فریم گم‌شدن، ID حذف شود
        #  - n_init: چند فریم لازم است تا Track تایید شود
        deepsort = DeepSort(
            max_age=100,
            n_init=2,
            nms_max_overlap=1.0,
            embedder_gpu=True,
            embedder='osnet_x0_25',  # می‌توانید مثلاً 'osnet_x1_0' یا دیگر مدل‌ها را هم تست کنید
            max_dist=0.2,           # فاصله تعبیه‌ها در همسان‌سازی
            nn_budget=100,
            half=True  # استفاده از half precision در صورت پشتیبانی GPU
        )

        cap = cv2.VideoCapture(video_path)
        if not cap.isOpened():
            print(f"Error: Unable to open video file {video_path}")
            return

        frame_count = 0
        while cap.isOpened():
            ret, frame = cap.read()
            if not ret:
                print("End of video stream")
                break

            frame_count += 1
            print(f"Processing frame {frame_count} ...")

            detections, confidences, class_ids = process_frame(model, frame)
            bboxes, scores = draw_detections(frame, detections, confidences, confidence_threshold=0.3)
            
            # اگر دیتکشن داشتیم، ردیابی را آپدیت کن
            if bboxes:
                track_objects(deepsort, frame, bboxes, scores)

            # نمایش فریم همراه با دیتکشن و ردیابی
            cv2.imshow("YOLO Detection and DeepSORT Tracking", frame)
            if cv2.waitKey(1) & 0xFF == ord('q'):
                break

        cap.release()
        cv2.destroyAllWindows()

    except Exception as e:
        print(f"An error occurred: {e}")
        traceback.print_exc()

def main():
    video_path = 'cropped_output.mp4'
    model_path = '/media/rayfan/d/behavior analysis/model/best-yolov11.pt'

    if not os.path.exists(video_path):
        print(f"Video file not found: {video_path}")
        return
    if not os.path.exists(model_path):
        print(f"Model file not found: {model_path}")
        return

    detect_and_track(video_path, model_path)

if __name__ == "__main__":
    main()

توضیحات کلیدی

1. YOLO (ultralytics):

   • با YOLO(model_path) مدل YOLO بارگیری می‌شود. بستهٔ ultralytics امکان فراخوانی آسان مدل‌های YOLOv8 و نسخه‌های دیگر را فراهم می‌کند.

2. DeepSORT:

   • برای ردیابی مبتنی بر تشخیص (Detection-based Tracking) استفاده می‌شود.
   • از ویژگی‌های بصری (ReID Embeddings) برای تفکیک و تشخیص مجدد اشیایی که در فریم‌های بعدی ظاهر می‌شوند استفاده می‌کند.
   • پارامتر embedder تعیین می‌کند که از کدام مدل برای استخراج ویژگی (Feature Extraction) استفاده شود. در اینجا OSNet (مثلاً osnet_x0_25) در نظر گرفته شده است که معمولاً نسبت به MobileNet در ReID نتایج بهتری دارد.
   • پارامتر max_dist فاصله حداکثری تعبیه‌ها برای مچ‌شدن است. هرچه کوچک‌تر باشد، دو جعبه سخت‌تر یک شیء در نظر گرفته می‌شوند و این موضوع از اشتباه ترکیب‌شدن Trackها جلوگیری می‌کند ولی ممکن است ID بیشتر گم شود.
   • پارامتر nn_budget اندازه حافظهٔ تاریخی (تعبیه‌های قبلی) است که با افزایش آن، احتمال حفظ رد اشیا در طولانی‌مدت بیشتر می‌شود. اما در عین حال به رم و زمان محاسبه بیشتری نیاز دارد.

3. سایر پارامترها:

   • max_age: تعداد فریم‌هایی که یک Track در آن غیرفعال باشد تا حذف شود (وقتی شیء دیگر دیده نمی‌شود).
   • n_init: تعداد فریم لازم برای تأییدشدن Track. اگر یک شیء در تعداد فریم کمتری ظاهر شود، حذف می‌شود.
   • embedder_gpu=True: برای محاسبات ReID از GPU استفاده می‌کند (در صورت در دسترس بودن).
   • half=True: برای سرعت بیشتر از دقت شناور نصفه (FP16) استفاده می‌کند (وقتی GPU از آن پشتیبانی کند).

4. نحوه استفاده:

   • مسیر ویدیو (video_path) و مدل YOLO (model_path) را با توجه به سیستم خود تنظیم کنید.
   • اگر از GPU انویدیا استفاده می‌کنید، مطمئن شوید محیط پایتون شما CUDA را شناسایی می‌کند (نصب PyTorch با پشتیبانی CUDA).
   • کتابخانه‌های مورد نیاز:
     • pip install ultralytics
     • pip install git+https://github.com/levan92/deep_sort_realtime.git
     • opencv-python یا opencv-contrib-python

5. بهبودهای بیشتر:

   • می‌توانید پارامترهای DeepSORT را با توجه به سناریو دادهٔ خود بهینه کنید. برای مثال، اگر اشیای مشابه با رنگ یا ظاهر مشابه زیاد هستند، max_dist را کمتر تنظیم کنید. اگر تمایل دارید IDها در صورت دور و نزدیک شدن طولانی حفظ شوند، max_age را افزایش دهید.
   • از مدل‌های مختلف OSNet استفاده کنید (مثلاً osnet_x1_0) و ببینید کدام بهتر عمل می‌کند.
   • در صورت نیاز به سرعت بالاتر، رزولوشن ویدیو را کم کنید یا از half precision با GPU استفاده کنید.

این کد نمونه به شما اجازه می‌دهد با دقت بیشتری اشیا را در طول فریم‌های ویدیو دنبال کنید و از قوی‌تر بودن مدل ReID برای جلوگیری از تغییر ناخواستهٔ شناسه‌ها در طول ردیابی بهره ببرید.