复现：SiamMASK-Fast Online Object Tracking and Segmentation: A Unifying Approach

昨天晚上在 Youtube 的 augmentedstartups 频道看到一个关于 ObjectTracking 的项目，感觉效果非常不错，便想要跟着学习一下。视频中实现的是 SiamMask 的应用，点进 Git Repo 发现有完整的复现过程，非常清晰，于是今天到实验室就跟着做了一下。

实验环境【Environment】

Demo 中提供的实验环境是 Ubuntu 16.04, Python 3.6, Pytorch 0.4.1, CUDA 9.2, RTX 2080 GPUs，以下是我所用的实验室服务器环境。

• CentOS 7
• Anaconda3
• Cuda 10.2.89, NVIDIA Corporation GM200 [GeForce GTX TITAN X]

首先实验室的服务器是不具备图形界面的，要展示视频/图像必须为系统配置图形化界面，参考博客安装 GNOME 桌面环境并配置 VNC-Server，一切安装好之后便可以在个人机中查看图形界面。

安装 anaconda3 并新建一个 siammask 虚拟环境。

运行步骤

• 克隆该仓库

git clone https://github.com/foolwood/SiamMask.git && cd SiamMask
export SiamMask=$PWD

• 安装需要的 python 环境和依赖库

conda create -n siammask python=3.6
source activate siammask
pip install -r requirements.txt
bash make.sh

• 将项目路径添加到 PYTHONPATH 中

export PYTHONPATH=$PWD:$PYTHONPATH

⚠️注意：此时 export 的环境变量只在一个终端中有效，如果重启另一个终端运行需要重新声明环境变量，虚拟环境也是类似的。

• 下载预训练模型

cd $SiamMask/experiments/siammask_sharp
wget http://www.robots.ox.ac.uk/~qwang/SiamMask_VOT.pth
wget http://www.robots.ox.ac.uk/~qwang/SiamMask_DAVIS.pth

• 运行 demo.py

cd $SiamMask/experiments/siammask_sharp
export PYTHONPATH=$PWD:$PYTHONPATH
python ../../tools/demo.py --resume SiamMask_DAVIS.pth --config config_davis.json

⚠️注意：运行之前的步骤都可以在 ssh 终端中进行，但执行 demo.py 必须在图形化界面的终端中调用，否则会出现错误。

鼠标选中目标后空格/回车开始追踪，便可得到理想的实验效果。

Fast Online Object Tracking and Segmentation: A Unifying Approach Qiang Wang, Li Zhang, Luca Bertinetto, Weiming Hu, Philip H.S. Torr ( denotes equal contribution) CVPR 2019 [Paper] [Video] [Project Page]