Erste Schritte

Übersicht zu Datensätzen für die Mehr-Objekt-Verfolgung

Multi-Objekt-Tracking ist ein zentraler Bestandteil der Videoanalyse: Dabei werden Objekte erkannt und für jedes erkannte Objekt wird über die Videobilder hinweg eine eindeutige ID beibehalten. Ultralytics YOLO kann bewegte Objekte in Videos verfolgen, etwa in den Bereichen Überwachung, Sportanalyse und Verkehrsbeobachtung.

Datensatzformat#

Der Tracking-Modus trainiert keinen Tracker und erfordert keinen speziellen Tracker-Datensatz. Trainiere ein Erkennungs-, Segmentierungs-, Pose- oder OBB-Modell mit dem Standardformat des jeweiligen Aufgabentyps und verwende anschließend die resultierenden Gewichte mit model.track() oder yolo track. Der ausgewählte Tracker ordnet die Vorhersagen des Modells während der Inferenz den einzelnen Bildern zu.

Verfügbare Tracker#

Ultralytics YOLO unterstützt die folgenden Verfolgungsalgorithmen:

  • BoT-SORT – Verwende botsort.yaml, um diesen Tracker zu aktivieren
  • ByteTrack – Verwende bytetrack.yaml, um diesen Tracker zu aktivieren
  • OC-SORT – Verwende ocsort.yaml, um diesen Tracker zu aktivieren
  • Deep OC-SORT – Verwende deepocsort.yaml, um diesen Tracker zu aktivieren
  • FastTracker – Verwende fasttrack.yaml, um diesen Tracker zu aktivieren
  • TrackTrack – Verwende tracktrack.yaml, um diesen Tracker zu aktivieren (Standard)

Verwendung#

Beispiel
from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.5, show=True)

Tracks über Videobilder hinweg beibehalten#

Für eine durchgehende Verfolgung über Videobilder hinweg kannst du den Parameter persist=True verwenden:

Beispiel
import cv2

from ultralytics import YOLO

# Das YOLO-Modell laden
model = YOLO("yolo26n.pt")

# Videodatei öffnen
cap = cv2.VideoCapture("path/to/video.mp4")

while cap.isOpened():
    success, frame = cap.read()
    if success:
        # # Verfolgung mit Beibehaltung der Tracks zwischen Videobildern ausführen
        results = model.track(frame, persist=True)

        # Die Ergebnisse visualisieren
        annotated_frame = results[0].plot()
        cv2.imshow("Tracking", annotated_frame)

        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        break

cap.release()
cv2.destroyAllWindows()

Häufig gestellte Fragen#

  • Beginne mit den folgenden Python- oder CLI-Beispielen, um Multi-Objekt-Tracking mit Ultralytics YOLO zu verwenden:

    Beispiel
    from ultralytics import YOLO
    
    model = YOLO("yolo26n.pt")  # YOLO26-Modell laden
    results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.5, show=True)

    Diese Befehle laden das YOLO26-Modell und verwenden es, um Objekte in der angegebenen Videoquelle mit bestimmten Schwellenwerten für die Konfidenz (conf) und die Schnittmenge über Vereinigungsmenge (iou) zu verfolgen. Weitere Informationen findest du in der Dokumentation zum Verfolgungsmodus.

  • Ultralytics YOLO ist ein hochmodernes Modell zur Objekterkennung, das für seine Echtzeitleistung und hohe Genauigkeit bekannt ist. Der Einsatz von YOLO zur Mehr-Objekt-Verfolgung bietet mehrere Vorteile:

    • Verfolgung in Echtzeit: Ermöglicht eine effiziente und schnelle Verfolgung, ideal für dynamische Umgebungen.
    • Flexibilität mit vortrainierten Modellen: Du musst nicht von Grund auf neu trainieren, sondern kannst einfach vortrainierte Erkennungs-, Segmentierungs-, Posenschätzungs- oder OBB-Modelle verwenden.
    • Einfache Nutzung: Dank der unkomplizierten API-Integration mit Python und CLI lassen sich Verfolgungsabläufe einfach einrichten.
    • Umfassende Dokumentation und Unterstützung durch die Community: Ultralytics bietet eine umfassende Dokumentation und ein aktives Community-Forum, in dem du Probleme lösen und deine Verfolgungsmodelle verbessern kannst.
  • Ja. Trainiere ein Erkennungs-, Segmentierungs-, Posenschätzungs- oder OBB-Modell mit deinem eigenen Datensatz und übergib anschließend dessen Gewichte an model.track(). Der Tracker selbst wird während der Inferenz ausgeführt und benötigt keine separaten Trainingsdaten.

  • Nach einem Tracking-Auftrag mit Ultralytics YOLO enthalten die Ergebnisse verschiedene Datenpunkte, etwa IDs verfolgter Objekte, ihre Begrenzungsrahmen und Konfidenzwerte. Hier findest du eine kurze Übersicht zur Interpretation dieser Ergebnisse:

    • IDs der verfolgten Objekte: Jedem Objekt wird eine eindeutige ID zugewiesen, anhand derer es über die einzelnen Videobilder hinweg verfolgt werden kann.
    • Begrenzungsrahmen: Sie zeigen die Position der verfolgten Objekte innerhalb des Videobilds an.
    • Konfidenzwerte: Sie geben an, wie sicher das Modell das verfolgte Objekt erkannt hat.
  • Du kannst den Tracker anpassen, indem du eine geänderte Version der Tracker-Konfigurationsdatei erstellst. Kopiere eine vorhandene Tracker-Konfigurationsdatei aus ultralytics/cfg/trackers, passe die Parameter nach Bedarf an und gib diese Datei beim Ausführen des Trackers an:

    from ultralytics import YOLO
    
    model = YOLO("yolo26n.pt")
    results = model.track(source="video.mp4", tracker="custom_tracker.yaml")

Kommentare

Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.