Link to this sectionPrésentation des jeux de données pour le suivi multi-objets#

Le suivi multi-objets est un composant essentiel de l'analyse vidéo qui identifie des objets et maintient des ID uniques pour chaque objet détecté à travers les images vidéo. Ultralytics YOLO offre des capacités de suivi puissantes qui peuvent être appliquées à divers domaines, notamment la surveillance, l'analyse sportive et la surveillance du trafic.

Link to this sectionFormat de jeu de données (à venir)#

Le suivi Ultralytics réutilise actuellement des modèles de détection, de segmentation ou de pose sans nécessiter d'entraînement spécifique au tracker. La prise en charge native de l'entraînement des trackers est en cours de développement.

Link to this sectionTrackers disponibles#

Ultralytics YOLO prend en charge les algorithmes de suivi suivants :

• BoT-SORT - Utilise botsort.yaml pour activer ce tracker (par défaut)
• ByteTrack - Utilise bytetrack.yaml pour activer ce tracker
• OC-SORT - Utilise ocsort.yaml pour activer ce tracker
• Deep OC-SORT - Utilise deepocsort.yaml pour activer ce tracker
• FastTracker - Utilise fasttrack.yaml pour activer ce tracker
• TrackTrack - Utilise tracktrack.yaml pour activer ce tracker

Link to this sectionUtilisation#

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.7, show=True)

Link to this sectionPersistance des suivis entre les images#

Pour un suivi continu à travers les images vidéo, tu peux utiliser le paramètre persist=True :

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo26n.pt")

# Open the video file
cap = cv2.VideoCapture("path/to/video.mp4")

while cap.isOpened():
    success, frame = cap.read()
    if success:
        # Run tracking with persistence between frames
        results = model.track(frame, persist=True)

        # Visualize the results
        annotated_frame = results[0].plot()
        cv2.imshow("Tracking", annotated_frame)

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

cap.release()
cv2.destroyAllWindows()

Link to this sectionFAQ#

Link to this sectionComment utiliser le suivi multi-objets avec Ultralytics YOLO ?#

Pour utiliser le suivi multi-objets avec Ultralytics YOLO, tu peux commencer par utiliser les exemples Python ou CLI fournis. Voici comment démarrer :

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load the YOLO26 model
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.7, show=True)

Ces commandes chargent le modèle YOLO26 et l'utilisent pour suivre des objets dans la source vidéo donnée avec des seuils spécifiques de confiance (conf) et d'Intersection over Union (iou). Pour plus de détails, réfère-toi à la documentation du mode track.

Link to this sectionQuelles sont les prochaines fonctionnalités pour l'entraînement des trackers dans Ultralytics ?#

Ultralytics améliore continuellement ses modèles d'IA. Une fonctionnalité à venir permettra l'entraînement de trackers autonomes. D'ici là, le détecteur multi-objets exploite des modèles de détection, de segmentation ou de pose pré-entraînés pour le suivi sans nécessiter d'entraînement autonome. Reste informé en suivant notre blog.

Link to this sectionPourquoi devrais-je utiliser Ultralytics YOLO pour le suivi multi-objets ?#

Ultralytics YOLO est un modèle de détection d'objets de pointe reconnu pour ses performances en temps réel et sa grande précision. Utiliser YOLO pour le suivi multi-objets offre plusieurs avantages :

• Suivi en temps réel : Obtenir un suivi efficace et rapide, idéal pour les environnements dynamiques.
• Flexibilité avec les modèles pré-entraînés : Pas besoin de s'entraîner à partir de zéro ; utilise simplement les modèles de détection, de segmentation ou de pose pré-entraînés.
• Facilité d'utilisation : Une intégration API simple avec Python et CLI rend la mise en place de pipelines de suivi directe.
• Documentation étendue et support communautaire : Ultralytics fournit une documentation complète et un forum communautaire actif pour résoudre les problèmes et améliorer tes modèles de suivi.

Pour plus de détails sur la configuration et l'utilisation de YOLO pour le suivi, visite notre guide d'utilisation track.

Link to this sectionPuis-je utiliser des jeux de données personnalisés pour le suivi multi-objets avec Ultralytics YOLO ?#

Oui, tu peux utiliser des jeux de données personnalisés pour le suivi multi-objets avec Ultralytics YOLO. Bien que la prise en charge de l'entraînement de trackers autonomes soit une fonctionnalité à venir, tu peux déjà utiliser des modèles pré-entraînés sur tes jeux de données personnalisés. Prépare tes jeux de données au format approprié compatible avec YOLO et suis la documentation pour les intégrer.

Link to this sectionComment interpréter les résultats du modèle de suivi Ultralytics YOLO ?#

Après avoir exécuté un travail de suivi avec Ultralytics YOLO, les résultats incluent divers points de données tels que les ID des objets suivis, leurs boîtes englobantes (bounding boxes) et les scores de confiance. Voici un bref aperçu de la façon d'interpréter ces résultats :

• ID suivis : Chaque objet reçoit un ID unique, ce qui aide à le suivre à travers les images.
• Boîtes englobantes : Elles indiquent l'emplacement des objets suivis dans l'image.
• Scores de confiance : Ils reflètent la confiance du modèle dans la détection de l'objet suivi.

Pour des conseils détaillés sur l'interprétation et la visualisation de ces résultats, réfère-toi au guide de gestion des résultats.

Link to this sectionComment puis-je personnaliser la configuration du tracker ?#

Tu peux personnaliser le tracker en créant une version modifiée du fichier de configuration du tracker. Copie un fichier de configuration de tracker existant depuis ultralytics/cfg/trackers, modifie les paramètres selon tes besoins, et spécifie ce fichier lors de l'exécution du tracker :

from ultralytics import YOLO

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