使用YOLOv3与DeepSort实现车辆计数追踪时FPS过低及ID切换问题求助

一、先确认GPU加速是否真的启用 #

你的设备GTX1650支持CUDA，但需要确保代码确实在调用GPU：

• 检查代码中是否指定了设备并将模型加载到GPU：

  device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
  model = Darknet(cfg_path).to(device)
  

  运行时添加验证代码：

  print("CUDA可用:", torch.cuda.is_available())
  print("模型运行设备:", next(model.parameters()).device)
  

  若输出cuda:0则说明GPU已启用；若显示cpu，检查CUDA与PyTorch版本是否匹配（CUDA11.6对应PyTorch 1.12.0及以上版本）。
• 用nvidia-smi命令查看运行时GPU利用率：如果利用率低于30%，大概率是代码未调用GPU，或模型误加载到CPU上。

二、同时提升FPS与检测精度的方案 #

针对GTX1650的性能，推荐以下优化方向：

1. 优化原版YOLOv3的推理速度 #

• 半精度推理：将模型和输入转为FP16，显存占用减半，速度提升明显，精度损失可忽略：

  model.half()  # 转换模型为半精度
  # 推理时输入同步转成半精度
  img = img.to(device).half()
  

• 减小输入尺寸：将YOLOv3的输入从默认608x608改为416x416，推理速度提升约50%，精度仅小幅下降。
• 调整检测阈值：提高conf_thresh（如从0.5调到0.6）和nms_thresh（如从0.4调到0.5），减少冗余检测框，加快推理流程。

2. 替换为更高效的YOLO变体 #

• YOLOv5s：精度接近原版YOLOv3，速度远超YOLOv3-tiny，在GTX1650上可达到20+FPS，且自带半精度、TensorRT加速等成熟优化方案。
• YOLOv4-tiny：比YOLOv3-tiny精度更高，速度相当，适合资源有限的设备。

3. 用TensorRT加速推理 #

将YOLO模型转为ONNX格式，再用TensorRT优化，可进一步提升20%-30%的推理速度：

• 导出YOLOv3为ONNX（以PyTorch为例），再用TensorRT构建推理引擎，实际运行时调用引擎即可。

三、解决DeepSort的ID切换问题 #

ID切换主要源于检测不稳定或追踪参数不合理，可从以下方向修复：

1. 提升检测稳定性 #

• 放弃YOLOv3-tiny，改用优化后的原版YOLOv3或YOLOv5s，保证检测框的连续性和准确性，避免因检测框飘移、漏检导致ID重置。
• 对检测框做平滑处理，比如用卡尔曼滤波的预测结果修正检测框坐标，减少框体抖动。

2. 调整DeepSort追踪参数 #

修改deep_sort/configs/deep_sort.yaml中的关键参数：

• 增大max_age：允许目标消失更多帧（如从30改为50），避免短暂遮挡导致ID丢失。
• 增大min_hits：需要连续检测到多次（如从3改为5）才分配ID，减少误检测带来的ID混乱。
• 降低max_cosine_distance：从0.2改为0.15，让特征匹配更严格，减少错误的ID分配。

3. 优化ReID模型 #

• 替换DeepSort默认的ResNet50为轻量级模型（如MobileNetV2），减少特征提取的计算量，同时保证追踪稳定性。
• 减小ReID模型的输入尺寸（如从128x64改为64x32），加快特征提取速度。

四、综合建议 #

结合你的设备，优先按以下步骤操作：

1. 确认GPU加速已启用，开启半精度推理，将YOLOv3输入改为416x416，此时FPS可提升至8-12，精度接近原版。
2. 替换为YOLOv5s，配合TensorRT加速，FPS可达20+，精度优于YOLOv3。
3. 调整DeepSort的max_age和min_hits参数，解决ID切换问题。

内容的提问来源于stack exchange，提问作者Hải Dương Phạm