Tracciamento di più oggetti con Ultralytics YOLO
Il tracciamento degli oggetti nel campo dell'analisi video è un'attività fondamentale che non solo identifica la posizione e la classe degli oggetti all'interno dell'inquadratura, ma mantiene anche un ID univoco per ogni oggetto rilevato durante l'avanzamento del video. Le applicazioni sono illimitate e spaziano dalla sorveglianza e dalla sicurezza all'analisi degli sport in tempo reale.
Perché scegliere Ultralytics YOLO per il tracciamento degli oggetti?
Il risultato dei tracker Ultralytics è coerente con il rilevamento standard degli oggetti, ma ha il valore aggiunto degli ID degli oggetti. Questo facilita il tracciamento degli oggetti nei flussi video e l'esecuzione di analisi successive. Ecco perché dovreste considerare l'uso di Ultralytics YOLO per le vostre esigenze di tracciamento degli oggetti:
- Efficienza: Elaborazione di flussi video in tempo reale senza compromettere la precisione.
- Flessibilità: Supporta diversi algoritmi e configurazioni di tracciamento.
- Facilità d'uso: semplici API Python e opzioni CLI per una rapida integrazione e distribuzione.
- Personalizzabilità: Facile da usare con modelli YOLO addestrati su misura, che consentono l'integrazione in applicazioni specifiche per il dominio.
Guarda: Rilevamento e tracciamento di oggetti con Ultralytics YOLO .
Applicazioni nel mondo reale
| Trasporto | Vendita al dettaglio | Acquacoltura |
|---|---|---|
| Tracciamento del veicolo | Tracciamento delle persone | Tracciamento dei pesci |
Panoramica delle caratteristiche
Ultralytics YOLO estende le sue funzioni di rilevamento degli oggetti per fornire un tracciamento robusto e versatile degli oggetti:
- Tracciamento in tempo reale: Traccia senza problemi gli oggetti nei video ad alta velocità.
- Supporto di più tracker: Scegliete tra una serie di algoritmi di tracciamento consolidati.
- Configurazioni personalizzabili del tracker: L'algoritmo di tracciamento può essere adattato alle esigenze specifiche regolando vari parametri.
Tracciatori disponibili
Ultralytics YOLO supporta i seguenti algoritmi di tracciamento. Possono essere abilitati passando il relativo file di configurazione YAML, come ad esempio tracker=tracker_type.yaml:
- SORTEGGIAMENTO - Utilizzo
botsort.yamlper abilitare questo tracker. - ByteTrack - Utilizzo
bytetrack.yamlper abilitare questo tracker.
Il tracker predefinito è BoT-SORT.
Tracciamento
Informazioni sulla soglia del tracker
Se il punteggio di fiducia dell'oggetto sarà basso, cioè inferiore a track_high_thresh, allora non ci saranno tracce restituite e aggiornate con successo.
Per eseguire il tracker sui flussi video, utilizzare un modello addestrato di Detect, Segment o Pose come YOLO11n, YOLO11n-seg e YOLO11n-pose.
Esempio
from ultralytics import YOLO
# Load an official or custom model
model = YOLO("yolo11n.pt") # Load an official Detect model
model = YOLO("yolo11n-seg.pt") # Load an official Segment model
model = YOLO("yolo11n-pose.pt") # Load an official Pose model
model = YOLO("path/to/best.pt") # Load a custom trained model
# Perform tracking with the model
results = model.track("https://youtu.be/LNwODJXcvt4", show=True) # Tracking with default tracker
results = model.track("https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml") # with ByteTrack
# Perform tracking with various models using the command line interface
yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" # Official Detect model
yolo track model=yolo11n-seg.pt source="https://youtu.be/LNwODJXcvt4" # Official Segment model
yolo track model=yolo11n-pose.pt source="https://youtu.be/LNwODJXcvt4" # Official Pose model
yolo track model=path/to/best.pt source="https://youtu.be/LNwODJXcvt4" # Custom trained model
# Track using ByteTrack tracker
yolo track model=path/to/best.pt tracker="bytetrack.yaml"
Come si può vedere nell'uso sopra descritto, il tracciamento è disponibile per tutti i modelli Detect, Segment e Pose eseguiti su video o fonti di streaming.
Configurazione
Informazioni sulla soglia del tracker
Se il punteggio di fiducia dell'oggetto sarà basso, cioè inferiore a track_high_thresh, allora non ci saranno tracce restituite e aggiornate con successo.
Tracciamento degli argomenti
La configurazione di tracciamento condivide le proprietà con la modalità Previsione, come ad esempio conf, iou, e show. Per ulteriori configurazioni, consultare la sezione Prevedere pagina del modello.
Esempio
Selezione del tracker
Ultralytics consente anche di utilizzare un file di configurazione del tracker modificato. Per farlo, basta fare una copia del file di configurazione del tracker (per esempio, custom_tracker.yaml) da ultralytics/cfg/tracker e modificare tutte le configurazioni (ad eccezione di quella tracker_type) in base alle proprie esigenze.
Esempio
Per un elenco completo degli argomenti di tracciamento, consultare la pagina ultralytics/cfg/trackers.
Python Esempi
Tracce persistenti Loop
Ecco uno script di Python che utilizza OpenCV (cv2) e YOLO11 per eseguire il tracciamento degli oggetti sui fotogrammi video. Questo script presuppone che siano già stati installati i pacchetti necessari (opencv-python e ultralytics). Il persist=True indica al tracker che l'immagine o il fotogramma corrente è il successivo di una sequenza e che deve aspettarsi tracce dall'immagine precedente nell'immagine corrente.
Streaming for-loop con tracciamento
import cv2
from ultralytics import YOLO
# Load the YOLO11 model
model = YOLO("yolo11n.pt")
# Open the video file
video_path = "path/to/video.mp4"
cap = cv2.VideoCapture(video_path)
# Loop through the video frames
while cap.isOpened():
# Read a frame from the video
success, frame = cap.read()
if success:
# Run YOLO11 tracking on the frame, persisting tracks between frames
results = model.track(frame, persist=True)
# Visualize the results on the frame
annotated_frame = results[0].plot()
# Display the annotated frame
cv2.imshow("YOLO11 Tracking", annotated_frame)
# Break the loop if 'q' is pressed
if cv2.waitKey(1) & 0xFF == ord("q"):
break
else:
# Break the loop if the end of the video is reached
break
# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()
Si noti il cambiamento da model(frame) a model.track(frame)che consente il tracciamento degli oggetti invece del semplice rilevamento. Questo script modificato esegue il tracker su ogni fotogramma del video, visualizza i risultati e li mostra in una finestra. Il ciclo può essere interrotto premendo 'q'.
Tracciare tracce nel tempo
La visualizzazione delle tracce degli oggetti su fotogrammi consecutivi può fornire preziose informazioni sui modelli di movimento e sul comportamento degli oggetti rilevati in un video. Con Ultralytics YOLO11 , tracciare queste tracce è un processo semplice ed efficiente.
Nell'esempio che segue, dimostriamo come utilizzare le capacità di tracciamento di YOLO11 per tracciare il movimento degli oggetti rilevati su più fotogrammi video. Lo script prevede l'apertura di un file video, la lettura fotogramma per fotogramma e l'utilizzo del modello YOLO per identificare e tracciare vari oggetti. Mantenendo i punti centrali dei riquadri di delimitazione rilevati e collegandoli tra loro, è possibile tracciare linee che rappresentano i percorsi seguiti dagli oggetti tracciati.
Tracciare tracce su più fotogrammi video
from collections import defaultdict
import cv2
import numpy as np
from ultralytics import YOLO
# Load the YOLO11 model
model = YOLO("yolo11n.pt")
# Open the video file
video_path = "path/to/video.mp4"
cap = cv2.VideoCapture(video_path)
# Store the track history
track_history = defaultdict(lambda: [])
# Loop through the video frames
while cap.isOpened():
# Read a frame from the video
success, frame = cap.read()
if success:
# Run YOLO11 tracking on the frame, persisting tracks between frames
results = model.track(frame, persist=True)
# Get the boxes and track IDs
boxes = results[0].boxes.xywh.cpu()
track_ids = results[0].boxes.id.int().cpu().tolist()
# Visualize the results on the frame
annotated_frame = results[0].plot()
# Plot the tracks
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 center point
if len(track) > 30: # retain 90 tracks for 90 frames
track.pop(0)
# Draw the tracking lines
points = np.hstack(track).astype(np.int32).reshape((-1, 1, 2))
cv2.polylines(annotated_frame, [points], isClosed=False, color=(230, 230, 230), thickness=10)
# Display the annotated frame
cv2.imshow("YOLO11 Tracking", annotated_frame)
# Break the loop if 'q' is pressed
if cv2.waitKey(1) & 0xFF == ord("q"):
break
else:
# Break the loop if the end of the video is reached
break
# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()
Tracciamento multithread
Il tracciamento multithreading consente di eseguire il tracciamento degli oggetti su più flussi video contemporaneamente. Ciò è particolarmente utile quando si gestiscono più ingressi video, ad esempio da più telecamere di sorveglianza, dove l'elaborazione simultanea può migliorare notevolmente l'efficienza e le prestazioni.
Nello script Python fornito, si fa uso di Python's threading per eseguire più istanze del tracker in contemporanea. Ogni thread è responsabile dell'esecuzione del tracker su un file video e tutti i thread vengono eseguiti contemporaneamente in background.
Per garantire che ogni thread riceva i parametri corretti (il file video, il modello da utilizzare e l'indice del file), definiamo la funzione run_tracker_in_thread che accetta questi parametri e contiene il ciclo di tracciamento principale. Questa funzione legge il video fotogramma per fotogramma, esegue il tracker e visualizza i risultati.
In questo esempio vengono utilizzati due modelli diversi: yolo11n.pt e yolo11n-seg.pt, ciascuno dei quali traccia gli oggetti in un file video diverso. I file video sono specificati in video_file1 e video_file2.
Il daemon=True parametro in threading.Thread significa che questi thread verranno chiusi non appena il programma principale terminerà. Avviamo quindi i thread con start() e utilizzare join() per far sì che il thread principale attenda che entrambi i thread del tracker abbiano terminato.
Infine, dopo che tutti i thread hanno completato il loro compito, le finestre che visualizzano i risultati vengono chiuse usando cv2.destroyAllWindows().
Streaming for-loop con tracciamento
import threading
import cv2
from ultralytics import YOLO
# Define model names and video sources
MODEL_NAMES = ["yolo11n.pt", "yolo11n-seg.pt"]
SOURCES = ["path/to/video.mp4", "0"] # local video, 0 for webcam
def run_tracker_in_thread(model_name, filename):
"""
Run YOLO tracker in its own thread for concurrent processing.
Args:
model_name (str): The YOLO11 model object.
filename (str): The path to the video file or the identifier for the webcam/external camera source.
"""
model = YOLO(model_name)
results = model.track(filename, save=True, stream=True)
for r in results:
pass
# Create and start tracker threads using a for loop
tracker_threads = []
for video_file, model_name in zip(SOURCES, MODEL_NAMES):
thread = threading.Thread(target=run_tracker_in_thread, args=(model_name, video_file), daemon=True)
tracker_threads.append(thread)
thread.start()
# Wait for all tracker threads to finish
for thread in tracker_threads:
thread.join()
# Clean up and close windows
cv2.destroyAllWindows()
Questo esempio può essere facilmente esteso per gestire più file video e modelli, creando più thread e applicando la stessa metodologia.
Contribuire a nuovi tracciatori
Siete esperti nell'inseguimento di più oggetti e avete implementato o adattato con successo un algoritmo di inseguimento con Ultralytics YOLO ? Vi invitiamo a contribuire alla nostra sezione Trackers in ultralytics/cfg/trackers! Le vostre applicazioni e soluzioni reali potrebbero essere preziose per gli utenti che lavorano al tracciamento.
Contribuendo a questa sezione, si contribuisce ad ampliare la portata delle soluzioni di tracciamento disponibili all'interno del framework Ultralytics YOLO , aggiungendo un ulteriore livello di funzionalità e utilità per la comunità.
Per dare inizio al vostro contributo, consultate la nostra Guida alla contribuzione per le istruzioni complete sull'invio di una richiesta di pull (PR) 🛠️. Non vediamo l'ora di vedere cosa porterete in tavola!
Insieme, miglioriamo le capacità di tracciamento dell'ecosistema Ultralytics YOLO 🙏!
FAQ
Che cos'è il Multi-Object Tracking e come lo supporta Ultralytics YOLO ?
Il tracciamento di più oggetti nell'analisi video implica sia l'identificazione degli oggetti che il mantenimento di un ID univoco per ogni oggetto rilevato nei vari fotogrammi video. Ultralytics YOLO supporta questo aspetto fornendo il tracciamento in tempo reale insieme agli ID degli oggetti, facilitando attività come la sorveglianza della sicurezza e l'analisi degli sport. Il sistema utilizza tracker come BoT-SORT e ByteTrack, che possono essere configurati tramite file YAML.
Come si configura un tracker personalizzato per Ultralytics YOLO ?
È possibile configurare un tracker personalizzato copiando un file di configurazione del tracker esistente (ad esempio, custom_tracker.yaml) dal Ultralytics directory di configurazione del tracker e modificando i parametri secondo le necessità, ad eccezione dell'opzione tracker_type. Utilizzate questo file nel vostro modello di tracciamento in questo modo:
Esempio
Come posso eseguire il tracciamento degli oggetti su più flussi video contemporaneamente?
Per eseguire il tracciamento degli oggetti su più flussi video simultaneamente, è possibile utilizzare la funzione Python's threading modulo. Ogni thread gestirà un flusso video separato. Ecco un esempio di come si può configurare:
Tracciamento multithread
import threading
import cv2
from ultralytics import YOLO
# Define model names and video sources
MODEL_NAMES = ["yolo11n.pt", "yolo11n-seg.pt"]
SOURCES = ["path/to/video.mp4", "0"] # local video, 0 for webcam
def run_tracker_in_thread(model_name, filename):
"""
Run YOLO tracker in its own thread for concurrent processing.
Args:
model_name (str): The YOLO11 model object.
filename (str): The path to the video file or the identifier for the webcam/external camera source.
"""
model = YOLO(model_name)
results = model.track(filename, save=True, stream=True)
for r in results:
pass
# Create and start tracker threads using a for loop
tracker_threads = []
for video_file, model_name in zip(SOURCES, MODEL_NAMES):
thread = threading.Thread(target=run_tracker_in_thread, args=(model_name, video_file), daemon=True)
tracker_threads.append(thread)
thread.start()
# Wait for all tracker threads to finish
for thread in tracker_threads:
thread.join()
# Clean up and close windows
cv2.destroyAllWindows()
Quali sono le applicazioni reali dell'inseguimento di più oggetti con Ultralytics YOLO ?
Il tracciamento di più oggetti con Ultralytics YOLO ha numerose applicazioni, tra cui:
- Trasporti: Tracciamento dei veicoli per la gestione del traffico e la guida autonoma.
- Commercio al dettaglio: Tracciamento delle persone per l'analisi e la sicurezza del punto vendita.
- Acquacoltura: Tracciamento dei pesci per il monitoraggio degli ambienti acquatici.
Queste applicazioni traggono vantaggio dalla capacità di Ultralytics YOLO di elaborare video ad alta velocità in tempo reale.
Come posso visualizzare le tracce degli oggetti su più fotogrammi video con Ultralytics YOLO ?
Per visualizzare le tracce degli oggetti su più fotogrammi video, è possibile utilizzare le funzioni di tracciamento del modello YOLO insieme a OpenCV per disegnare i percorsi degli oggetti rilevati. Ecco un esempio di script che lo dimostra:
Tracciare tracce su più fotogrammi video
from collections import defaultdict
import cv2
import numpy as np
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
video_path = "path/to/video.mp4"
cap = cv2.VideoCapture(video_path)
track_history = defaultdict(lambda: [])
while cap.isOpened():
success, frame = cap.read()
if success:
results = model.track(frame, persist=True)
boxes = results[0].boxes.xywh.cpu()
track_ids = results[0].boxes.id.int().cpu().tolist()
annotated_frame = results[0].plot()
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)))
if len(track) > 30:
track.pop(0)
points = np.hstack(track).astype(np.int32).reshape((-1, 1, 2))
cv2.polylines(annotated_frame, [points], isClosed=False, color=(230, 230, 230), thickness=10)
cv2.imshow("YOLO11 Tracking", annotated_frame)
if cv2.waitKey(1) & 0xFF == ord("q"):
break
else:
break
cap.release()
cv2.destroyAllWindows()
Questo script traccia le linee di tracciamento che mostrano i percorsi di movimento degli oggetti tracciati nel tempo.
