YOLOv8与DeepSORT实现多目标跟踪

### 使用YOLOv8和DeepSort实现多目标跟踪 为了实现实时高效的多目标跟踪，可以利用YOLOv8作为物体检测器来获取每一帧中的边界框位置，再通过DeepSORT算法处理这些边界框并分配唯一的ID给每一个被追踪的对象。以下是具体的操作指南： #### 安装依赖库 首先确保安装必要的Python包，可以通过pip命令完成环境配置： ```bash git clone https://github.com/MuhammadMoinFaisal/YOLOv8-DeepSORT-Object-Tracking.git cd YOLOv8-DeepSORT-Object-Tracking pip install -r requirements.txt ``` #### 加载预训练模型 加载预先训练好的YOLOv8权重文件用于图像中的人脸或其他特定类别对象的识别工作。 ```python from ultralytics import YOLO model = YOLO('yolov8n.pt') # 或者其他版本如 yolov8s, yolov8m 等 ``` #### 初始化DeepSORT实例 创建一个新的`deepsort`对象来进行后续的目标关联操作。 ```python from deep_sort_realtime.deepsort_tracker import DeepSort tracker = DeepSort(max_age=30, n_init=2) ``` #### 处理视频流数据 对于每一张输入图片或者来自摄像头直播的画面，先调用YOLOv8得到预测结果；接着将此信息传递给DeepSORT以更新当前时刻下的轨迹状态。 ```python import cv2 cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() results = model(frame)[0].boxes.data.tolist() # 获取YOLOv8的结果 detections = [] for r in results: x1, y1, x2, y2, score, class_id = map(int, r[:6]) bbox = [x1, y1, x2-x1, y2-y1] confidences = float(r[4]) if confidences > 0.5: # 只考虑置信度大于阈值的情况 detections.append([bbox, confidences]) tracks = tracker.update_tracks(detections, frame=frame) # 更新tracklets列表 for track in tracks: if not track.is_confirmed(): continue track_id = int(track.track_id) ltrb = list(map(int, track.to_ltrb())) cv2.rectangle(frame, (ltrb[0], ltrb[1]), (ltrb[2], ltrb[3]), (255, 0, 0), 2) cv2.putText(frame, f'ID:{track_id}', (int(ltrb[0]), int(ltrb[1])-10), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (255, 0, 0), 2) cv2.imshow("Frame", frame) key = cv2.waitKey(1) & 0xFF if key == ord("q"): break cv2.destroyAllWindows() cap.release() ``` 上述代码展示了如何结合YOLOv8与DeepSORT进行简单的实时多目标跟踪应用开发过程[^1]。

### YOLOv7与DeepSort结合实现多目标跟踪 为了使用YOLOv7和DeepSort来完成多目标跟踪的任务，可以借鉴YOLOv5+DeepSort的相关经验并做适当调整。通常情况下，YOLO系列模型用于检测图像中的对象边界框及其类别标签；而DeepSort则负责通过特征匹配保持不同帧间同一物体的身份一致性。 #### 准备工作环境 确保安装了必要的依赖库以及配置好Python开发环境。对于YOLOv7而言，官方提供了详细的设置指南[^1]。同样地，在集成DeepSort之前也需要先克隆其对应的GitHub项目仓库，并按照说明文档准备所需的资源文件。 #### 修改代码结构适应新版本 尽管从YOLOv5迁移到YOLOv7主要涉及的是网络架构上的变化，但在实际应用中可能还需要针对特定框架做出一些额外修改。比如更新`requirements.txt`以反映新的包需求或者调整数据加载器部分以便更好地支持最新版的PyTorch等深度学习平台特性[^2]。 #### 集成YOLOv7到DeepSort流程里 当完成了上述准备工作之后，下一步就是将YOLOv7融入现有的基于DeepSort的目标追踪流水线之中： - **初始化阶段**：创建一个新的入口脚本（如`track.py`），在此处实例化YOLOv7探测器和DeepSort处理器； - **推理过程**：利用YOLOv7获取当前视频帧内的所有感兴趣区域（ROI），并将这些预测结果传递给DeepSort模块处理； - **状态维护**：由DeepSort负责管理各个被监测个体的状态转移逻辑，包括但不限于位置估计、速度计算等方面的工作； - **可视化输出**：最后一步是对最终得到的对象轨迹信息进行渲染显示或保存为指定格式的数据集供后续分析使用。 ```python from yolov7 import detect # 假设这是经过适配后的YOLOv7接口 import deep_sort.nn_matching as nn_matcher from deep_sort.detection import Detection from deep_sort.tracker import Tracker def main(): # 初始化参数... metric = nn_matcher.NearestNeighborDistanceMetric("cosine", max_cosine_distance, nn_budget) tracker = Tracker(metric) while True: frame = get_next_frame() # 获取下一帧画面 detections = [] bboxes, confidences, classes = detect(frame) # 使用YOLOv7执行目标识别 for bbox, confidence, class_id in zip(bboxes, confidences, classes): det = Detection(bbox, confidence, feature=extract_features(class_id)) detections.append(det) tracker.predict() matches = tracker.update(detections) draw_tracks_on_image(matches, frame) # 将跟踪结果显示出来 if __name__ == "__main__": main() ```