基于DeepSORT的YOLOv5与YOLOv7模型在液滴追踪应用中的基准测试

在微流控中追踪液滴是一项具有挑战性的任务。困难在于选择一种工具来分析通用微流控视频以推断物理量。最先进的目标检测算法You Only Look Once（YOLO）与具有深度关联度量的简单在线实时追踪（DeepSORT）可定制用于液滴识别与追踪。定制包括训练YOLO和DeepSORT网络以识别和追踪感兴趣对象。我们训练了若干YOLOv5和YOLOv7模型以及DeepSORT网络，用于从微流控实验视频中进行液滴识别与追踪。我们比较了YOLOv5和YOLOv7液滴追踪应用在不同硬件配置下的训练时间与分析给定视频的时间性能。尽管最新的YOLOv7快10%，但由于DeepSORT算法带来的额外显著液滴追踪开销，实时追踪仅在RTX 3070 Ti GPU机器上由较轻的YOLO模型实现。本工作是针对微流控液滴自定义数据集，在训练时间与推理时间方面对带DeepSORT的YOLOv5和YOLOv7网络的基准研究。