技术标签: YOLO YOLOV8系列 yolov8 python 计算机视觉 深度学习 人工智能 目标跟踪
目录
xywhn (Normalized X, Y, Width, Height):
xyxy (X_min, Y_min, X_max, Y_max):
xyxyn (Normalized X_min, Y_min, X_max, Y_max):
如果大家想要了解关于yolov8的其他任务和相关内容可以点击这个链接,我这边整理了许多其他任务的说明博文,后续也会持续更新,包括yolov8模型优化、sam等等的相关内容。
如果不知道如何搭建的小伙伴可以参考这个博文:
操作系统:win10 x64
编程语言:python3.9
开发环境:Anaconda
示例项目下载地址:
YOLOv8目标追踪实战全套资源包 - 源码与数据集完整分享
Ultralytics 追踪器的输出与标准的物体检测结果一致,但增加了物体ID的附加值。这使其易于追踪视频流中的物体并进行后续分析。以下是您应考虑使用Ultralytics YOLO来满足您物体追踪需求的原因:
本文以官方模型yolov8n.pt、yolov8n-seg.pt、yolov8n-pose.pt为例。
Ultralytics YOLO支持以下追踪算法。可以通过传递相关的YAML配置文件如tracker=tracker_type.yaml
来启用:
算法特点:
关键技术:
适用场景:
参数名 | 值 | 描述 |
---|---|---|
tracker_type | botsort | 设置追踪器的类型,此处为 BoT-SORT。 |
track_high_thresh | 0.5 | 第一次关联的高阈值,用于确定有效追踪目标。 |
track_low_thresh | 0.1 | 第二次关联的低阈值,即使置信度较低也可能视为有效目标。 |
new_track_thresh | 0.6 | 初始化新追踪的阈值,用于不匹配任何现有轨迹的检测对象。 |
track_buffer | 30 | 追踪缓冲时间长度,单位通常是帧数。 |
match_thresh | 0.8 | 匹配轨迹的阈值,用于确定两个轨迹是否为同一目标。 |
gmc_method | sparseOptFlow | 全局运动补偿的方法,此处使用稀疏光流法。 |
proximity_thresh | 0.5 | 判断两个目标空间接近程度的阈值。 |
appearance_thresh | 0.25 | 判断两个目标外观相似程度的阈值。 |
with_reid | False | 指定是否使用Re-Identification模型来辅助目标识别。 |
算法特点:
关键技术:
适用场景:
参数名 | 值 | 描述 |
---|---|---|
tracker_type | bytetrack | 设置追踪器的类型,此处为 ByteTrack。 |
track_high_thresh | 0.5 | 第一次关联的高阈值,用于确定有效追踪目标。 |
track_low_thresh | 0.1 | 第二次关联的低阈值,即使置信度较低也可能视为有效目标。 |
new_track_thresh | 0.6 | 初始化新追踪的阈值,用于不匹配任何现有轨迹的检测对象。 |
track_buffer | 30 | 追踪缓冲时间长度,单位通常是帧数。 |
match_thresh | 0.8 | 匹配轨迹的阈值,用于确定两个轨迹是否为同一目标。 |
min_box_area | 10 (注释状态) | 最小框面积阈值(目前未使用,用于追踪器评估)。 |
mot20 | False (注释状态) | 用于追踪器评估(目前未使用)。 |
from ultralytics import YOLO
# 加载官方或自定义模型
model = YOLO('yolov8n.pt') # 加载一个官方的检测模型
model = YOLO('yolov8n-seg.pt') # 加载一个官方的分割模型
model = YOLO('yolov8n-pose.pt') # 加载一个官方的姿态模型
# 使用模型进行追踪
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True) # 使用默认追踪器进行追踪
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml") # 使用ByteTrack追踪器进行追踪
results = model.track(source="https://youtu.be/LNwODJXcvt4", save=True)
导入 YOLO 类:
from ultralytics import YOLO
:这行代码从 ultralytics
库中导入 YOLO
类,用于后续的模型加载和操作。加载官方或自定义模型:
model = YOLO('yolov8n.pt')
:加载一个官方的 YOLOv8n 检测模型,用于识别和定位图像中的对象。model = YOLO('yolov8n-seg.pt')
:加载一个官方的 YOLOv8n 分割模型,用于对象的识别、定位和像素级分割。model = YOLO('yolov8n-pose.pt')
:加载一个官方的 YOLOv8n 姿态模型,专用于识别图像中人物的姿态。results = model.track("./peopl_track.mp4", save=True)
:使用加载的模型对本地视频文件 peopl_track.mp4
进行目标追踪,并保存追踪结果。这里使用的是默认配置的追踪器。results = model.track("./peopl_track.mp4", show=True, tracker="bytetrack.yaml")
:同样对 peopl_track.mp4
进行追踪,但这次指定使用 bytetrack.yaml
配置的 ByteTrack 追踪器,并显示追踪结果。if __name__ == '__main__':
这行代码确保以下的代码块只在直接运行此脚本时执行,而不是在作为模块导入时执行。save=True
参数表示将追踪结果保存到文件。show=True
参数表示在进行追踪时实时显示结果。tracker="bytetrack.yaml"
指定使用 ByteTrack 追踪器进行追踪,这将应用 ByteTrack 追踪算法的特定参数和行为。如上所述,Detect、Segment和Pose模型在视频或流媒体源上运行时均可进行追踪。
想对视频直接进行追踪并保存结果,使用:results = model.track("./peopl_track.mp4", save=True),这行代码进行保存,效果如下:
import cv2
from ultralytics import YOLO
# 加载YOLOv8模型
model = YOLO('yolov8n.pt')
# 打开视频文件
video_path = "test_track.mp4"
cap = cv2.VideoCapture(video_path)
# 循环遍历视频帧
while cap.isOpened():
# 从视频读取一帧
success, frame = cap.read()
if success:
# 在帧上运行YOLOv8追踪,持续追踪帧间的物体
results = model.track(frame, persist=True)
# 输出每次追踪推理结果的boxes,这些参数实际上是和模型直接predict类似的。
print(results[0].boxes)
# 在帧上展示结果
annotated_frame = results[0].plot()
# 展示带注释的帧
cv2.imshow("YOLOv8 Tracking", annotated_frame)
# 如果按下'q'则退出循环
if cv2.waitKey(1) & 0xFF == ord("q"):
break
else:
# 如果视频结束则退出循环
break
# 释放视频捕获对象并关闭显示窗口
cap.release()
cv2.destroyAllWindows()
cls: tensor([2., 2., 2.])
conf: tensor([0.7348, 0.7214, 0.7010])
data: tensor([[2.5676e+02, 2.7926e+02, 3.1822e+02, 3.2295e+02, 1.0000e+00, 7.3481e-01, 2.0000e+00],
[3.6795e+02, 2.5550e+02, 4.1459e+02, 2.8850e+02, 2.0000e+00, 7.2141e-01, 2.0000e+00],
[8.1858e+02, 3.2820e+02, 9.2200e+02, 3.9968e+02, 3.0000e+00, 7.0101e-01, 2.0000e+00]])
id: tensor([1., 2., 3.])
is_track: True
orig_shape: (622, 1104)
shape: torch.Size([3, 7])
xywh: tensor([[287.4892, 301.1048, 61.4607, 43.6855],
[391.2666, 271.9997, 46.6412, 32.9959],
[870.2893, 363.9404, 103.4269, 71.4856]])
xywhn: tensor([[0.2604, 0.4841, 0.0557, 0.0702],
[0.3544, 0.4373, 0.0422, 0.0530],
[0.7883, 0.5851, 0.0937, 0.1149]])
xyxy: tensor([[256.7588, 279.2621, 318.2195, 322.9476],
[367.9460, 255.5017, 414.5872, 288.4976],
[818.5758, 328.1976, 922.0027, 399.6832]])
xyxyn: tensor([[0.2326, 0.4490, 0.2882, 0.5192],
[0.3333, 0.4108, 0.3755, 0.4638],
[0.7415, 0.5276, 0.8351, 0.6426]])
tensor([2., 2., 2.])
表示检测到的对象的类别ID。这里,每个检测到的对象都被分类为ID为2的类别。tensor([0.7348, 0.7214, 0.7010])
表示模型对于每个检测对象所属类别的置信度。数值越高,表示模型越确信其分类。[x_min, y_min, x_max, y_max, cls, conf, id]
。x_min, y_min
和 x_max, y_max
是对象边界框的坐标。cls
是类别ID,conf
是置信度,id
是追踪时分配给对象的唯一标识符。tensor([1., 2., 3.])
表示每个检测对象在追踪过程中的唯一标识符。True
表示是。(622, 1104)
是原始图像的尺寸(高度 x 宽度)。torch.Size([3, 7])
表示 data
张量的形状,这里是 3 行 7 列,对应于三个检测对象和每个对象的七个数据点。[中心点x, 中心点y, 宽度, 高度]
。[x_min, y_min, x_max, y_max]
。xyxy
相似,但所有坐标值都经过归一化,表示为相对于整个图像尺寸的比例。 请注意从model(frame)
更改为model.track(frame)
的变化,这使能够启用物体追踪而不只是简单的检测。这个修改的脚本将在视频的每一帧上运行追踪器,可视化结果,并在窗口中显示它们。通过按'q'可以退出循环。
在连续帧上可视化物体追踪路径可以提供有关视频中检测到的物体的运动模式和行为的有价值的洞见。使用Ultralytics YOLOv8,绘制这些路径是一个无缝且高效的过程。
在以下示例中,我们演示了如何利用YOLOv8的追踪功能在多个视频帧上绘制检测物体的移动。这个脚本涉及打开视频文件、逐帧读取,并使用YOLO模型识别并追踪各种物体。通过保留检测到的边界框的中心点并连接它们,我们可以绘制表示跟踪物体路径的线条。
from collections import defaultdict
import cv2
import numpy as np
from ultralytics import YOLO
# 加载YOLOv8模型
model = YOLO('yolov8n.pt')
# 打开视频文件
video_path = "test_track.mp4"
cap = cv2.VideoCapture(video_path)
# 存储追踪历史
track_history = defaultdict(lambda: [])
# 循环遍历视频帧
while cap.isOpened():
# 从视频读取一帧
success, frame = cap.read()
if success:
# 在帧上运行YOLOv8追踪,持续追踪帧间的物体
results = model.track(frame, persist=True)
# 获取框和追踪ID
boxes = results[0].boxes.xywh.cpu()
track_ids = results[0].boxes.id.int().cpu().tolist()
# 在帧上展示结果
annotated_frame = results[0].plot()
# 绘制追踪路径
for box, track_id in zip(boxes, track_ids):
x, y, w, h = box
track = track_history[track_id]
track.append((float(x), float(y))) # x, y中心点
if len(track) > 30: # 在90帧中保留90个追踪点
track.pop(0)
# 绘制追踪线
points = np.hstack(track).astype(np.int32).reshape((-1, 1, 2))
cv2.polylines(annotated_frame, [points], isClosed=False, color=(230, 230, 230), thickness=10)
# 展示带注释的帧
cv2.imshow("YOLOv8 Tracking", annotated_frame)
# 如果按下'q'则退出循环
if cv2.waitKey(1) & 0xFF == ord("q"):
break
else:
# 如果视频结束则退出循环
break
# 释放视频捕获对象并关闭显示窗口
cap.release()
cv2.destroyAllWindows()
这段代码使用了 OpenCV 和 Ultralytics 的 YOLO 库来实现对视频文件中物体的追踪。具体来说,它读取一个视频文件,使用 YOLO 模型识别和追踪每一帧中的物体,并显示带有追踪路径的视频帧。以下是详细解释:
from collections import defaultdict
:从标准库中导入 defaultdict
,这是一种特殊的字典,用于存储追踪历史。import cv2
:导入 OpenCV 库,用于视频文件的读取和处理。import numpy as np
:导入 NumPy 库,用于数学运算和处理数组。from ultralytics import YOLO
:从 Ultralytics 库中导入 YOLO
类,用于加载和使用 YOLO 模型。model = YOLO('yolov8n.pt')
:加载预训练的 YOLOv8 模型。cap = cv2.VideoCapture(video_path)
:创建一个视频捕获对象,用于从指定路径读取视频。track_history = defaultdict(lambda: [])
:创建一个 defaultdict
来存储每个追踪对象的历史位置。while cap.isOpened()
:循环直到视频结束。
success, frame = cap.read()
:从视频中读取一帧。if success
:如果成功读取帧,则继续处理。使用 YOLO 进行追踪
results = model.track(frame, persist=True)
:在当前帧上运行 YOLO 追踪器。boxes = results[0].boxes.xywh.cpu()
:提取追踪到的物体的边界框(格式为中心 x, y 坐标和宽度、高度)。track_ids = results[0].boxes.id.int().cpu().tolist()
:获取每个物体的唯一追踪 ID。绘制追踪路径
track_history
中的路径。cv2.polylines
在 annotated_frame
上绘制物体的追踪路径。显示带注释的视频帧
cv2.imshow("YOLOv8 Tracking", annotated_frame)
:显示经过注释的视频帧。退出机制
清理资源
cap.release()
:释放视频捕获对象。cv2.destroyAllWindows()
:关闭所有 OpenCV 创建的窗口。这篇博文全面阐述了使用 Ultralytics YOLO 框架进行高效物体追踪的方法,强调了其在实时处理、灵活性、易用性和可定制性方面的优势。文章详细介绍了包括 BoT-SORT 和 ByteTrack 在内的多种追踪器配置,通过实际代码示例展示了如何在不同场景下使用 YOLO 进行物体检测、实例分割和姿态识别追踪。此外,文章还提供了绘制追踪路径和实时视频分析的具体实现方法,使读者能够更深入地理解和应用 YOLO 框架在物体追踪领域的强大功能。 如果有哪里写的不够清晰,小伙伴本可以给评论或者留言,我这边会尽快的优化博文内容,另外如有需要,我这边可支持技术答疑与支持。
文章浏览阅读645次。这个肯定是末尾的IDAT了,因为IDAT必须要满了才会开始一下个IDAT,这个明显就是末尾的IDAT了。,对应下面的create_head()代码。,对应下面的create_tail()代码。不要考虑爆破,我已经试了一下,太多情况了。题目来源:UNCTF。_攻防世界困难模式攻略图文
文章浏览阅读2.9k次,点赞3次,收藏10次。偶尔会用到,记录、分享。1. 数据库导出1.1 切换到dmdba用户su - dmdba1.2 进入达梦数据库安装路径的bin目录,执行导库操作 导出语句:./dexp cwy_init/[email protected]:5236 file=cwy_init.dmp log=cwy_init_exp.log 注释: cwy_init/init_123..._达梦数据库导入导出
文章浏览阅读1.9k次。1. 在官网上下载KindEditor文件,可以删掉不需要要到的jsp,asp,asp.net和php文件夹。接着把文件夹放到项目文件目录下。2. 修改html文件,在页面引入js文件:<script type="text/javascript" src="./kindeditor/kindeditor-all.js"></script><script type="text/javascript" src="./kindeditor/lang/zh-CN.js"_kindeditor.js
文章浏览阅读2.3k次,点赞6次,收藏14次。SPI的详情简介不必赘述。假设我们通过SPI发送0xAA,我们的数据线就会变为10101010,通过修改不同的内容,即可修改SPI中0和1的持续时间。比如0xF0即为前半周期为高电平,后半周期为低电平的状态。在SPI的通信模式中,CPHA配置会影响该实验,下图展示了不同采样位置的SPI时序图[1]。CPOL = 0,CPHA = 1:CLK空闲状态 = 低电平,数据在下降沿采样,并在上升沿移出CPOL = 0,CPHA = 0:CLK空闲状态 = 低电平,数据在上升沿采样,并在下降沿移出。_stm32g431cbu6
文章浏览阅读1.2k次,点赞2次,收藏8次。数据链路层习题自测问题1.数据链路(即逻辑链路)与链路(即物理链路)有何区别?“电路接通了”与”数据链路接通了”的区别何在?2.数据链路层中的链路控制包括哪些功能?试讨论数据链路层做成可靠的链路层有哪些优点和缺点。3.网络适配器的作用是什么?网络适配器工作在哪一层?4.数据链路层的三个基本问题(帧定界、透明传输和差错检测)为什么都必须加以解决?5.如果在数据链路层不进行帧定界,会发生什么问题?6.PPP协议的主要特点是什么?为什么PPP不使用帧的编号?PPP适用于什么情况?为什么PPP协议不_接收方收到链路层数据后,使用crc检验后,余数为0,说明链路层的传输时可靠传输
文章浏览阅读587次。软件测试工程师移民加拿大 无证移民,未受过软件工程师的教育(第1部分) (Undocumented Immigrant With No Education to Software Engineer(Part 1))Before I start, I want you to please bear with me on the way I write, I have very little gen...
文章浏览阅读304次。Thinkpad X250笔记本电脑,装的是FreeBSD,进入BIOS修改虚拟化配置(其后可能是误设置了安全开机),保存退出后系统无法启动,显示:secure boot failed ,把自己惊出一身冷汗,因为这台笔记本刚好还没开始做备份.....根据错误提示,到bios里面去找相关配置,在Security里面找到了Secure Boot选项,发现果然被设置为Enabled,将其修改为Disabled ,再开机,终于正常启动了。_安装完系统提示secureboot failure
文章浏览阅读10w+次,点赞93次,收藏352次。1、用strtok函数进行字符串分割原型: char *strtok(char *str, const char *delim);功能:分解字符串为一组字符串。参数说明:str为要分解的字符串,delim为分隔符字符串。返回值:从str开头开始的一个个被分割的串。当没有被分割的串时则返回NULL。其它:strtok函数线程不安全,可以使用strtok_r替代。示例://借助strtok实现split#include <string.h>#include <stdio.h&_c++ 字符串分割
文章浏览阅读2.3k次。1 .高斯日记 大数学家高斯有个好习惯:无论如何都要记日记。他的日记有个与众不同的地方,他从不注明年月日,而是用一个整数代替,比如:4210后来人们知道,那个整数就是日期,它表示那一天是高斯出生后的第几天。这或许也是个好习惯,它时时刻刻提醒着主人:日子又过去一天,还有多少时光可以用于浪费呢?高斯出生于:1777年4月30日。在高斯发现的一个重要定理的日记_2013年第四届c a组蓝桥杯省赛真题解答
文章浏览阅读851次,点赞17次,收藏22次。摘要:本文利用供需算法对核极限学习机(KELM)进行优化,并用于分类。
文章浏览阅读1.1k次。一、系统弱密码登录1、在kali上执行命令行telnet 192.168.26.1292、Login和password都输入msfadmin3、登录成功,进入系统4、测试如下:二、MySQL弱密码登录:1、在kali上执行mysql –h 192.168.26.129 –u root2、登录成功,进入MySQL系统3、测试效果:三、PostgreSQL弱密码登录1、在Kali上执行psql -h 192.168.26.129 –U post..._metasploitable2怎么进入
文章浏览阅读257次。本文将为初学者提供Python学习的详细指南,从Python的历史、基础语法和数据类型到面向对象编程、模块和库的使用。通过本文,您将能够掌握Python编程的核心概念,为今后的编程学习和实践打下坚实基础。_python人工智能开发从入门到精通pdf