[CodeCamp2023-496] Translation into Chinese of an English document. (#…

…10744)

Co-authored-by: Musiyuan <musiyuan13312316567@gmail.com>

docs/zh_cn/user_guides/tracking_interference.md

@@ -0,0 +1,55 @@
+# 推理
+
+我们提供了一些演示脚本去推理一个给出的视频，或者是推理包含一系列连续照片的文件夹。想要获取该代码资源，请点击 [这里](https://github.com/open-mmlab/mmdetection/tree/tracking/demo)。
+
+若输入为文件夹格式，你需要标明这点。并且，图片命名应该**易于整理**，以便于你根据文件名字中包含的数字信息来重新调整图片的顺序。我们现在只支持 `.jpg`，`.jpeg` 和 `.png` 格式的图片。
+
+## MOT models 的推理
+
+该脚本能够使用多任务跟踪或者视频实例分割方法来推理一段输入的视频/一张图片。
+
+```shell
+python demo/mot_demo.py \
+    ${INPUTS}
+    ${CONFIG_FILE} \
+    [--checkpoint ${CHECKPOINT_FILE}] \
+    [--detector ${DETECTOR_FILE}] \
+    [--reid ${REID_FILE}] \
+    [--score-thr ${SCORE_THR}] \
+    [--device ${DEVICE}] \
+    [--out ${OUTPUT}] \
+    [--show]
+```
+
+`INPUTS` 和 `OUTPUT` 参数支持 _mp4 视频_ 格式和_文件夹_格式。
+
+**特别注意**：对于 `DeepSORT`、`SORT`、`StrongSORT`，他们需要单独加载 `reid` 和 `detector` 的权重。因此，我们会使用 `--detector` 和 `--reid` 来加载权重参数。其他的例如 `ByteTrack`、`OCSORT`、`QDTrack`、`MaskTrackRCNN` 以及 `Mask2Former` 这样的算法则使用 `--checkpoint` 来加载权重参数。
+
+可选参数：
+
+- `CHECKPOINT_FILE`： 可选择 checkpoint。
+- `DETECTOR_FILE`： 可选择 detector。
+- `REID_FILE`： 可选择 reid。
+- `SCORE_THR`： bboxes 的得分阈值。
+- `DEVICE`： 推理所需配置。可以选择 `cpu`，`cuda:0`,或者其他。
+- `OUTPUT`： 输出结果可视化的示例。如果未指定， `--show` 将强制显示动态视频。
+- `--show`： 是否即时显示视频。
+
+**运行 mot model 的示例:**
+
+```shell
+# 示例 1：不指定 --checkpoint 使用 --detector
+python demo/mot_demo.py \
+    demo/demo_mot.mp4 \
+    configs/sort/sort_faster-rcnn_r50_fpn_8xb2-4e_mot17halftrain_test-mot17halfval.py \
+    --detector \
+    https://download.openmmlab.com/mmtracking/mot/faster_rcnn/faster-rcnn_r50_fpn_4e_mot17-half-64ee2ed4.pth \
+    --out mot.mp4
+
+# 示例 2：使用 --checkpoint
+python demo/mot_demo.py \
+    demo/demo_mot.mp4 \
+    configs/qdtrack/qdtrack_faster-rcnn_r50_fpn_8xb2-4e_mot17halftrain_test-mot17halfval.py \
+    --checkpoint https://download.openmmlab.com/mmtracking/mot/qdtrack/mot_dataset/qdtrack_faster-rcnn_r50_fpn_4e_mot17_20220315_145635-76f295ef.pth \
+    --out mot.mp4
+```

docs/zh_cn/user_guides/tracking_visualization.md

@@ -0,0 +1,51 @@
+# 了解可视化
+
+## 本地的可视化
+
+这一节将会展示如何使用本地的工具可视化 detection/tracking 的运行结果。
+
+如果你想要画出预测结果的图像，你可以如下示例，将 `TrackVisualizationHook` 中的 draw 的参数设置为 `draw=True`。
+
+```shell
+default_hooks = dict(visualization=dict(type='TrackVisualizationHook', draw=True))
+```
+
+`TrackVisualizationHook` 共有如下参数：
+
+- `draw`： 是否绘制预测结果。如果选择 False，将不会显示图像。该参数默认设置为 False。
+- `interval`： 可视化的间隔。默认值为 30。
+- `score_thr`： 确定是否可视化边界框和掩码的阈值。默认值是 0.3。
+- `show`： 是否展示绘制的图像。默认不显示。
+- `wait_time`： 展示的时间间隔(秒)。默认为 0。
+- `test_out_dir`： 测试过程中绘制图像保存的目录。
+- `backend_args`： 用于实例化文件客户端的参数。默认值为 `None `。
+
+在 `TrackVisualizationHook` 中，将调用 `TrackLocalVisualizer` 来实现 MOT 和 VIS 任务的可视化。具体细节如下。
+
+你可以通过 MMEngine 获取  [Visualization](https://github.com/open-mmlab/mmengine/blob/main/docs/zh_cn/advanced_tutorials/visualization.md) 和  [Hook](https://github.com/open-mmlab/mmengine/blob/main/docs/zh_cn/tutorials/hook.md) 的更多细节。
+
+### Tracking 的可视化
+
+我们使用 `TrackLocalVisualizer` 这个类以实现跟踪任务可视化。调用方式如下：
+
+```python
+visualizer = dict(type='TrackLocalVisualizer')
+```
+
+visualizer 共有如下的参数：
+
+- `name`： 所选实例的名称。默认值为 ‘visualizer’。
+
+- `image`： 用于绘制的原始图像。格式需要为 RGB。默认为 None。
+
+- `vis_backends`： 可视化后端配置列表。默认为 None。
+
+- `save_dir`： 所有后端存储的保存文件目录。如果为 None，后端将不会保存任何数据。
+
+- `line_width`： 边框宽度。默认值为 3。
+
+- `alpha`： 边界框和掩码的透明度。默认为 0.8。
+
+这里提供了一个 DeepSORT 的可视化示例：
+
+![test_img_89](https://user-images.githubusercontent.com/99722489/186062929-6d0e4663-0d8e-4045-9ec8-67e0e41da876.png)