STARK数据集准备完全手册：LaSOT、GOT10K与TrackingNet配置指南

【免费下载链接】Stark[ICCV'21] Learning Spatio-Temporal Transformer for Visual Tracking项目地址: https://gitcode.com/gh_mirrors/st/Stark

STARK（Spatio-Temporal Transformer for Visual Tracking）是ICCV2021收录的视觉跟踪算法，以端到端架构和实时性能著称。本文将详细介绍如何准备LaSOT、GOT10K和TrackingNet三大主流跟踪数据集，帮助新手快速搭建STARK的训练与评估环境。

数据集概览：为什么选择这三个？

STARK的高性能得益于对大规模数据集的充分训练。项目官方推荐使用以下三个数据集：

• LaSOT：包含1400段视频，覆盖70个目标类别，每段视频平均长度较长，适合训练长期跟踪能力
• GOT10K：包含10,000段视频和100个目标类别，场景多样性极强，是通用目标跟踪的标准 benchmark
• TrackingNet：拥有30,000+段视频，由专业标注人员标注，数据规模和质量均属顶级

STARK的时空Transformer架构示意图，数据集的质量直接影响模型性能

环境准备：基础路径配置

在开始数据集准备前，需先完成项目克隆和环境配置：

git clone https://gitcode.com/gh_mirrors/st/Stark cd Stark conda create -n stark python=3.6 conda activate stark bash install_pytorch17.sh

设置项目路径：

python tracking/create_default_local_file.py --workspace_dir . --data_dir ./data --save_dir .

路径配置文件位于：

• 训练路径：lib/train/admin/local.py
• 测试路径：lib/test/evaluation/local.py

标准目录结构：数据存放规范

所有数据集需按照以下结构存放于./data目录下：

${STARK_ROOT} -- data -- lasot |-- airplane |-- basketball ... -- got10k |-- test |-- train |-- val -- trackingnet |-- TRAIN_0 |-- TRAIN_1 ... |-- TRAIN_11 |-- TEST

详细配置指南

LaSOT数据集配置

1. 下载数据集
   从官方网站获取LaSOT数据集（需学术邮箱申请）

2. 文件结构
   解压后保持原始目录结构，每个类别为独立文件夹：

   lasot/ ├── airplane/ │ ├── airplane-1/ │ │ ├── img/ │ │ ├── groundtruth.txt │ │ ├── full_occlusion.txt │ │ └── out_of_view.txt │ └── ... └── ...

3. 训练集划分
   STARK使用预定义的训练集划分文件：lib/train/data_specs/lasot_train_split.txt，包含所有训练视频的列表

GOT10K数据集配置

1. 下载数据集
   从官方网站下载GOT10K完整数据集

2. 文件结构
   需包含训练、验证和测试集三部分：

   got10k/ ├── train/ ├── val/ └── test/

3. 训练集划分
   项目提供多种训练集划分方案：

   • got10k_train_full_split.txt：完整训练集（9335段视频）
   • got10k_train_split.txt：部分训练集
   • got10k_vot_train_split.txt：VOT竞赛允许使用的训练集

TrackingNet数据集配置

1. 下载数据集
   使用官方工具包下载全部12个训练集和测试集

2. 文件结构
   每个训练集为独立文件夹，包含帧图像和标注文件：

   trackingnet/ ├── TRAIN_0/ │ ├── frames/ │ └── anno/ ├── TRAIN_1/ └── ...

3. 类别映射
   使用trackingnet_classmap.txt文件建立序列到类别的映射关系

验证数据集配置

完成数据集准备后，可通过以下命令验证配置是否正确：

# 测试LaSOT数据集加载 python -c "from lib.train.dataset.lasot import Lasot; dataset = Lasot(split='train'); print(f'LaSOT sequences: {len(dataset)}')" # 测试GOT10K数据集加载 python -c "from lib.train.dataset.got10k import Got10k; dataset = Got10k(split='train'); print(f'GOT10K sequences: {len(dataset)}')" # 测试TrackingNet数据集加载 python -c "from lib.train.dataset.tracking_net import TrackingNet; dataset = TrackingNet(); print(f'TrackingNet sequences: {len(dataset)}')"

常见问题解决

1. 路径错误
   确保local.py文件中的数据集路径与实际存放位置一致

2. 文件缺失
   检查数据集中是否包含必要的标注文件（如groundtruth.txt）

3. 内存问题
   对于大规模数据集，建议使用LMDB格式加速加载，相关实现可参考：lib/train/dataset/lasot_lmdb.py

下一步：开始训练STARK

完成数据集准备后，即可开始训练STARK模型：

# 训练STARK-S50 python tracking/train.py --script stark_s --config baseline --save_dir . --mode multiple --nproc_per_node 8 # 训练STARK-ST50（两阶段） python tracking/train.py --script stark_st1 --config baseline --save_dir . --mode multiple --nproc_per_node 8 python tracking/train.py --script stark_st2 --config baseline --save_dir . --mode multiple --nproc_per_node 8 --script_prv stark_st1 --config_prv baseline

更多训练和评估细节，请参考项目官方文档：README.md

通过本文档，您已掌握STARK所需三大数据集的完整配置流程。高质量的数据集是训练高性能跟踪模型的基础，建议确保数据完整且路径配置正确，为后续模型训练和评估奠定良好基础。

【免费下载链接】Stark[ICCV'21] Learning Spatio-Temporal Transformer for Visual Tracking项目地址: https://gitcode.com/gh_mirrors/st/Stark