2. Bot Sort 하이퍼파라미터 실험

1. 환경 구축

Tracking 모델을 실험하기 위해서는 먼저 PyTorch 등 필요한 패키지를 설치해야 합니다. 아래는 예시 환경 설정 명령어입니다.

1.1. torch 설치

pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu116

1.2. numpy 설치

pip install -U numpy==1.23

2. 파라미터 리스트업

BoT-SORT 알고리즘의 기본 구현 코드와 트래킹 가중치는 공식 GitHub 저장소에서 제공됩니다. 이 저장소는 알고리즘의 핵심 구성 요소인 칼만 필터 기반 추적, IoU 매칭, 외형 기반 Re-ID, 그리고 카메라 모션 보정 등의 구현을 포함합니다.

Re-ID 모델은 차량 데이터셋에 특화된 사전학습 가중치를 사용하였으며, Re-ID MODEL_ZOO VERI-Wild Baseline를 사용했습니다.

아래 표에는 다양한 Botsort 하이퍼파라미터 튜닝에 관한 정보가 나와 있습니다. 각 행은 서로 다른 하이퍼파라미터와 그에 따른 설명을 나타내며, Google 드라이브 링크를 통해 관련 동영상을 확인할 수 있습니다. 기본 설정과 Re-ID 모델이 활성화된 설정에 대한 설명이 포함되어 있으며, 각 하이퍼파라미터의 설정값이 명시되어 있습니다.

base	기본 추적 모델 파라미터 (Re-ID 비활성)	DJI_0127.MP4	https://drive.google.com/file/d/15_Qvd-UIZ8qn0zdiUuRwQATesUzt-cmP/view?usp=drive_link
base - cmc orb(base optical flow)	움직이는 카메라에 대한 보정(CMC)을 orb 알고리즘으로 적용	DJI_0127.MP4	https://drive.google.com/file/d/1BzRlclk1TEk23-_I3Sou9GoX_2qrOmSD/view?usp=drive_link
base - track_buffer60(base 30)	추적이 더 이상 이루어지지 않는 track들을 임시 보관할 프레임 수(60)	DJI_0127.MP4	https://drive.google.com/file/d/1VaBl3i1cCCEYSIkS_OfbtkoQwS-pw8vK/view?usp=drive_link
base - track_buffer120(base 30)	추적이 더 이상 이루어지지 않는 track들을 임시 보관할 프레임 수(120)	DJI_0127.MP4	https://drive.google.com/file/d/1hUvC88qPH-JVPJdLh9t5C4evs7DAJCwP/view?usp=drive_link
proximity_thresh	객체 간 IOU(Intersection-over-Union) 기준 임계값	DJI_0127.MP4
with re-id - pretrained(model zoo)	선박(또는 Vehicle) 관련 Pretrained Re-ID 모델 적용	DJI_0127.MP4	https://drive.google.com/file/d/1cBT1_E4qGTy5Mup4Wqpe73-sX5WTifZX/view?usp=drive_link
with re-id + pretrained appearance_thresh	Re-ID 임베딩 유사도 임계값 0.1로 설정	DJI_0127.MP4	https://drive.google.com/file/d/1Rpi4pe1uLahNXcPfJAm2cAfjBV-zeldf/view?usp=drive_link
with re-id + pretrained appearance_thresh	Re-ID 임베딩 유사도 임계값 0.4로 설정	DJI_0127.MP4	https://drive.google.com/file/d/1m-vnbSv_I019m3q0aNt3fcZxNPDocUHy/view?usp=drive_link
with re-id + pretrained + cmc orb	Pretrained Re-ID + CMC orb 알고리즘 사용	DJI_0127.MP4	https://drive.google.com/file/d/1yF9TyRyHmW4BIGILMC2dVeYw_omZLhO6/view?usp=drive_link
with re-id + pretrained + cmc ecc	Pretrained Re-ID + CMC ecc 알고리즘 사용	DJI_0127.MP4	https://drive.google.com/file/d/117VSN3sIoIQpL84EHBgaamlBrZHgqrs4/view?usp=drive_link

3. 분석 결과

3.1. 기본 Tracking 모델 vs. Re-ID 적용

• Re-ID를 적용한 모델이 기본 모델 대비 추적 안정성이 높은 것으로 확인되었으며, 동일 객체를 인식하는 데 있어 오인식이 줄어드는 경향을 보였습니다.

• appearance_thresh 값을 0.1로 낮췄을 때에는 오히려 다른 객체를 동일한 객체로 인식하는 오류가 늘어났으며, 0.25와 0.4 사이에서는 유사한 결과가 나타났습니다.

3.2. Track Buffer

• 추적이 끊긴 객체 정보를 임시로 저장하는 프레임 수를 30에서 60, 120으로 변경했을 때, 일부 상황에서는 추적 지속 시간이 길어졌지만 전반적으로 체감되는 큰 성능 차이는 없었습니다.

3.3. CMC (Camera Motion Compensation)

• 움직이는 카메라 환경에서 CMC 기법을 적용했을 때, 추적 튐 현상이 어느 정도 완화되었습니다.

• orb 방식과 optical flow 방식 중, 기본 모델(base)에서는 orb가 더 안정적이었으나, 사전 학습된(pretrained) Re-ID 모델과 함께 사용할 경우에는 optical flow 방식이 더 나은 추적 성능을 보이는 경우도 있었습니다.

• ecc 방식은 이번 실험에서 기대만큼의 성능을 보이지 않았습니다.

3.4. 요약

• 사전 학습된 Re-ID 모델과 적절한 CMC 기법을 병행하면 안정적인 추적 ID 유지에 도움이 되었습니다.

• 다만 완벽한 성능을 위해서는 후처리 로직(occlusion 처리, 파라미터 추가 튜닝 등)이 보완되어야 할 것으로 보입니다.

3. 결론

• Re-ID 기능을 도입하면 동일 객체를 인식하는 정확도가 높아지므로, 선박처럼 간헐적으로 사라졌다 등장하는 객체 추적에 유리합니다.

• 움직이는 카메라 환경에서는 CMC 방식(orb, optical flow 등)에 따라 성능 편차가 발생하므로, 카메라 움직임 정도 및 대상 물체 특성에 맞춰 기법을 선택하는 것이 좋습니다.

• 결국, pretrained Re-ID 모델 + 적절한 CMC 조합이 가장 안정적인 결과를 보였지만, 추가적인 후처리나 파라미터 최적화 작업이 동반되어야 원하는 최종 목표 성능을 확보할 수 있을 것으로 예상됩니다.