GT Boxes

[EddieEduardo]

Hi, thanks for sharing the codes, but I am confused about the bbox foramt as follows:
in dataset/joint.py/class DetMOTDetection:-->
"""
def _pre_single_frame(self, idx: int):

**if osp.isfile(label_path):
labels0 = np.loadtxt(label_path, dtype=np.float32).reshape(-1, 6)

        # normalized cewh to pixel xyxy format
        labels = labels0.copy()
        labels[:, 2] = w * (labels0[:, 2] - labels0[:, 4] / 2)
        labels[:, 3] = h * (labels0[:, 3] - labels0[:, 5] / 2)
        labels[:, 4] = w * (labels0[:, 2] + labels0[:, 4] / 2)
        labels[:, 5] = h * (labels0[:, 3] + labels0[:, 5] / 2)**

The dataset I am using is MOT17, it seems that the bboxes format that GT files provide are (x,y,w,h), but here in the above func, the gt boxes are used as (center_x,center_y,w,h), I am not sure if there is something wrong with it ?

[EddieEduardo]

Hi, after training, I tested the models with my own dataset which has the same format as MOT17 using the weights I trained, but no results are output, please see below:
(base) [root@node02 MOTR-main]# python3 submit.py \

--meta_arch motr \
--dataset_file e2e_joint \
--epoch 50 \
--with_box_refine \
--lr_drop 35 \
--lr 2e-4 \
--lr_backbone 2e-5 \
--pretrained exps/e2e_motr_r50_joint/checkpoint0049.pth \
--output_dir exps/e2e_motr_r50_joint \
--batch_size 1 \
--sample_mode 'random_interval' \
--sample_interval 10 \
--sampler_steps 50 90 150 \
--sampler_lengths 2 3 4 5 \
--update_query_pos \
--merger_dropout 0 \
--dropout 0 \
--random_drop 0.1 \
--fp_ratio 0.3 \
--query_interaction_layer 'QIM' \
--extra_track_attn \
--data_txt_path_train ./datasets/data_path/mot17.train \
--data_txt_path_val ./datasets/data_path/mot17.test \
--resume exps/e2e_motr_r50_joint/checkpoint0049.pth \
--exp_name pub_submit_17

Training with Extra Self Attention in Every Decoder.
Training with Self-Cross Attention.
loaded exps/e2e_motr_r50_joint/checkpoint0049.pth
0%| | 0/405 [00:00<?, ?it/s]/root/Documents/MOTR-main/models/position_encoding.py:51: UserWarning: floordiv is deprecated, and its behavior will change in a future version of pytorch. It currently rounds toward 0 (like the 'trunc' function NOT 'floor'). This results in incorrect rounding for negative values. To keep the current behavior, use torch.div(a, b, rounding_mode='trunc'), or for actual floor division, use torch.div(a, b, rounding_mode='floor').
dim_t = self.temperature ** (2 * (dim_t // 2) / self.num_pos_feats)
/root/anaconda3/envs/base/lib/python3.10/site-packages/torch/functional.py:568: UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the indexing argument. (Triggered internally at /opt/conda/conda-bld/pytorch_1646755897462/work/aten/src/ATen/native/TensorShape.cpp:2228.)
return _VF.meshgrid(tensors, **kwargs) # type: ignore[attr-defined]
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 405/405 [00:26<00:00, 15.23it/s]
totally 0 dts 0 occlusion dts
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 755/755 [00:58<00:00, 12.95it/s]
totally 0 dts 0 occlusion dts
100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1262/1262 [01:41<00:00, 12.38it/s]
totally 0 dts 0 occlusion dts
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 282/282 [00:22<00:00, 12.38it/s]
totally 0 dts 0 occlusion dts
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 272/272 [00:21<00:00, 12.61it/s]
totally 0 dts 0 occlusion dts
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 363/363 [00:24<00:00, 14.80it/s]
totally 0 dts 0 occlusion dts
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 444/444 [00:32<00:00, 13.77it/s]
totally 0 dts 0 occlusion dts
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 758/758 [00:58<00:00, 12.87it/s]
totally 0 dts 0 occlusion dts
100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2508/2508 [03:07<00:00, 13.36it/s]
totally 0 dts 0 occlusion dts
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 454/454 [00:32<00:00, 13.86it/s]
totally 0 dts 0 occlusion dts
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 718/718 [00:53<00:00, 13.41it/s]
totally 0 dts 0 occlusion dts
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 238/238 [00:17<00:00, 13.97it/s]
totally 0 dts 0 occlusion dts
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 764/764 [01:03<00:00, 11.99it/s]
totally 0 dts 0 occlusion dts
copy reuslts for same sequences:

Could anyone tell me where I should fix up to solve this issue? Thanks a lot !!!!!!

[gracebae0123]

have you figured it out? I'm getting the same result

[carpeug]

the same. have you found a solution? @gracebae0123 @EddieEduardo