Link to this sectionUltralytics YOLOによるマルチオブジェクトトラッキング#

ビデオ解析におけるオブジェクトトラッキングは、フレーム内のオブジェクトの位置とクラスを識別するだけでなく、ビデオの進行に合わせて検出された各オブジェクトの固有IDを維持する重要なタスクです。その応用範囲は、監視やセキュリティからリアルタイムのスポーツ解析まで無限に広がっています。

Link to this sectionなぜオブジェクトトラッキングにUltralytics YOLOを選ぶのか？#

Ultralyticsのトラッカーによる出力は、標準的なオブジェクト検出と一貫していますが、オブジェクトIDという付加価値があります。これにより、ビデオストリーム内のオブジェクトを簡単に追跡し、その後の解析を行うことができます。Ultralytics YOLOをオブジェクトトラッキングのニーズに検討すべき理由は以下の通りです。

• 効率性: 精度を損なうことなく、リアルタイムでビデオストリームを処理します。
• 柔軟性: 複数のトラッキングアルゴリズムと構成をサポートしています。
• 使いやすさ: シンプルなPython APIとCLIオプションにより、迅速な統合とデプロイが可能です。
• カスタマイズ性: カスタム学習させたYOLOモデルで簡単に使用でき、ドメイン固有のアプリケーションへの統合が可能です。

Link to this section実世界での応用#

交通	小売	水産養殖
車両トラッキング	人物トラッキング	魚類トラッキング

Link to this sectionクイックスタート#

デフォルトのBoT-SORTトラッカーを使用してビデオでトラッキングを実行します。tracker引数を変更することで、別のトラッカーに切り替えることができます。

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Default tracker (BoT-SORT)
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)

# Switch to ByteTrack
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")

ビデオストリームでトラッカーを実行するには、学習済みのDetect、Segment、Pose、またはOBBモデル（YOLO26n、YOLO26n-seg、YOLO26n-pose、YOLO26n-obbなど）を使用します。カスタムモデルは、ローカル環境またはUltralytics Platformを介したクラウドGPU上で学習できます。

from ultralytics import YOLO

# Load an official or custom model
model = YOLO("yolo26n.pt")  # Load an official Detect model
model = YOLO("yolo26n-seg.pt")  # Load an official Segment model
model = YOLO("yolo26n-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

上記の使用例からわかるように、トラッキングはビデオやストリーミングソースで実行されるすべてのDetect、Segment、およびPoseモデルで利用可能です。

Link to this sectionサポートされているトラッカー#

Ultralytics YOLOには6つの組み込みトラッカーが付属しています。tracker引数にそのYAML設定ファイルを渡すことで、いずれかを有効にできます。

Link to this sectionどのトラッカーを使うべきか？#

このフローを使用して出発点を選択してください：

1. 最速かつ最もシンプルなベースラインが必要ですか？ → ByteTrack (ReIDなし、カメラモーション補正なし、最小限のオーバーヘッド)。
2. ハンドヘルド、ドローン、またはカメラが動く映像ですか？ → BoT-SORT (デフォルト。カメラモーション補正とオプションのReIDを追加)。
3. 非線形運動 (スポーツ、ダンス、急な方向転換) で、ReIDが不要ですか？ → OC-SORT (外観コストなしの観測中心の補正)。
4. ID交換が主な問題となる混雑した移動カメラのシーンですか？ → Deep OC-SORT または TrackTrack (両者とも適応的外観融合を追加。TrackTrackはさらにマルチキュー関連付けと重複ID抑制を追加)。
5. リアルタイムで頻繁に部分的な重なりが発生し、ReIDの予算がありませんか？ → FastTracker (カルマンロールバックを備えたオクルージョン対応のByteTrackバリアント)。

Link to this sectionトラッカーの切り替え#

トラッカー設定ファイル名を tracker= に渡します。他のすべてのコードはそのままです。

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

results = model.track(source="path/to/video.mp4", tracker="bytetrack.yaml")
results = model.track(source="path/to/video.mp4", tracker="ocsort.yaml")
results = model.track(source="path/to/video.mp4", tracker="tracktrack.yaml")

Link to this section設定#

Link to this sectionトラッキングの引数#

トラッキングの設定は、conf、iou、show などのPredictモードとプロパティを共有します。詳細な設定については、Predictモデルページを参照してください。

from ultralytics import YOLO

# Configure the tracking parameters and run the tracker
model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.7, show=True)

Link to this sectionカスタムトラッカー設定#

Ultralytics also allows you to use a modified tracker configuration file. To do this, simply make a copy of a tracker config file (for example, custom_tracker.yaml) from ultralytics/cfg/trackers and modify any configurations (except the tracker_type) as per your needs.

from ultralytics import YOLO

# Load the model and run the tracker with a custom configuration file
model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", tracker="custom_tracker.yaml")

Link to this section共有トラッカー引数#

以下のパラメータはほとんどのトラッカーYAMLファイルで共通です。すべての設定にすべてのパラメータが存在するわけではありません。

Link to this sectionトラッカー固有の引数#

各アルゴリズムは、共有パラメータに加えて追加の調整項目を提供します。説明や調整のアドバイスについては、以下の各トラッカーのセクション、または直接コンフィグファイルを参照してください。

• botsort.yaml
• bytetrack.yaml
• ocsort.yaml
• deepocsort.yaml
• fasttrack.yaml
• tracktrack.yaml

Link to this section再識別（ReID）の有効化#

オーバーヘッドを最小限に抑えるため、ReIDはデフォルトで無効になっています。トラッカーのコンフィグファイルで with_reid: True を設定することで有効化できます。

ReIDモデルのオプション：

• model: auto — ネイティブなYOLO検出器の機能をそのまま利用し、オーバーヘッドを最小限に抑えます。パフォーマンスを大幅に低下させずに一定のReIDが必要な場合に最適です。検出器が互換性のある機能を提供しない場合は、yolo26n-cls.pt にフォールバックします。
• エクスポート済みReIDモデル — より識別精度の高い埋め込み表現を得るには、model: にエクスポート済みファイル（.torchscript, .onnx, .engine, .openvino など）を指定します。これにはクロップごとに1回の追加推論パスが必要となります。エンコーダーは AutoBackend を介して読み込まれるため、Ultralyticsがサポートするエクスポート形式であれば、コードを変更することなくそのまま動作します。

すぐに使用可能なONNXエンコーダーが、すべてのモデルサイズ向けに公開されています。model:にこれらの名前のいずれかを設定すると、トラッカーの初回実行時にファイルが自動的にダウンロードされます（YOLOの重みが取得されるのと同じ仕組みです）。手動でのエクスポートやダウンロード手順は不要です。

# In your tracker config (e.g. tracktrack.yaml)
with_reid: True
model: yolo26n-reid.onnx # downloaded on first use; swap n→s/m/l/x for a larger encoder

別の分類モデルを使用してパフォーマンスを向上させるには、TensorRTなどのより高速なバックエンドにエクスポートしてください：

from torch import nn

from ultralytics import YOLO

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

# Add average pooling layer
head = model.model.model[-1]
pool = nn.Sequential(nn.AdaptiveAvgPool2d((1, 1)), nn.Flatten(start_dim=1))
pool.f, pool.i = head.f, head.i
model.model.model[-1] = pool

# Export to TensorRT
model.export(format="engine", quantize=16, dynamic=True, batch=32)

エクスポートが完了したら、トラッカーのコンフィグ内でTensorRTモデルのパスを指定します。

Link to this sectionトラッカーの詳細#

各トラッカーの設計、固有のパラメータ、チューニングのヒントについては、以下のセクションを展開してください。

Link to this sectionBoT-SORT#

BoT-SORT (Aharon et al., 2022) は標準のトラッカーです。ByteTrackをベースに、カメラの動き補正とオプションのReIDを追加しています：

• カメラ動き補正 (CMC): フレームごとに推定されたアフィン変換（デフォルトはスパースオプティカルフロー。ORB / ECCも利用可能）が、IoUマッチングの前にKalman状態に適用されます。
• オプションのReID: 外観の埋め込み情報をコスト行列に融合させることができます。デフォルトは無効です。with_reid: True で有効にしてください。

推奨用途: 汎用的なトラッキング。特にカメラが移動する場合。見た目が似ている群衆によってIDの入れ替わりが発生する場合にのみ、ReIDを追加してください。

BoT-SORT固有の引数：

チューニングのヒント：

• 静止カメラ: gmc_method: none に設定すると、フレームあたり数msの節約になります。
• 激しいカメラの動き: sparseOptFlow を維持してください。ecc はより高精度ですが、速度は低下します。
• 見た目が似ている群衆: with_reid: True をオンにし、appearance_thresh を上げてください（例: 0.85+）。

Link to this sectionByteTrack#

ByteTrack (Zhang et al., ECCV 2022) は軽量なベースラインです。線形Kalman + IoUを使用し、2段階のアソシエーションを行います：

• ステージ1: 高スコアの検出結果とアクティブなトラックをマッチングします。
• ステージ2: マッチしなかったトラックに対し、低スコアの検出結果で再試行し、一時的な部分オクルージョンからの回復を図ります。

外観モデルやカメラ動き補正はありません。

推奨用途: 静止カメラまたはほぼ静止しているカメラ。検出器の負荷が支配的で、トラッカーのオーバーヘッドを最小限に抑えたい場合。

ByteTrack固有の引数: 共有トラッカー引数以外に特にありません。

チューニングのヒント：

• ノイズの多い検出器: track_low_thresh を下げると、第2ステージの候補が増えます。
• 高リコール検出器: track_high_thresh を上げると、IDの断片化が減少します。
• 頻繁なIDフリッカー: track_buffer を上げると、短時間見失ったトラックが維持されやすくなります。

Link to this sectionOC-SORT#

OC-SORT (Cao et al., CVPR 2023) は、SORTを「観測中心（Observation-Centric）」に拡張したものです。SORTの軽量な設計（外観特徴量なし）を維持しつつ、3つの補正機能を加えています：

• 観測中心型再更新 (ORU): 前回の観測と現在の検出結果の間に仮想的な軌跡を再計算し、Kalman更新をやり直すことで、ドリフトした速度を修正します。
• 観測中心型モメンタム (OCM): 速度の一貫性項を用いて、誤った方向に移動する検出結果をペナルティ化します。
• 観測中心型回復 (OCR): マッチしなかった検出結果に対し、予測状態ではなく前回の観測値を使用して、最近失われたトラックとの再照合を行います。

推奨用途: ReIDモデルの計算コストをかけずに非線形な動きを追跡したい場合。

OC-SORT固有の引数：

チューニングのヒント：

• 非線形な動き: inertia を上げてください（例: 0.3-0.4）。
• スパースな検出結果: use_byte: True を有効にしてください。
• 長いオクルージョン: track_buffer を上げると、OCRが再結合のために保持する失われたトラックの数が増えます。

Link to this sectionDeep OC-SORT#

Deep OC-SORT はOC-SORTに外観情報とカメラ動き補正を追加したものです：

• 適応型外観融合: 検出結果の埋め込みが、検出の信頼度と重複度によって重みが変調されたコスト行列に融合されます。
• 動的外観EMA: トラックの埋め込みがEMAで更新され、その平滑化係数は検出信頼度に応じて適応的に変化します。
• カメラ動き補正: Kalman状態がスパースオプティカルフロー、ORB、またはECCを介してフレーム間でワープされます。

推奨用途: 群衆や移動カメラのシーンなど、視覚的には異なるが空間的に近い物体間でIDの入れ替わりが頻発する場合。

Deep OC-SORT固有の引数：

チューニングのヒント：

• 群衆でのID入れ替わり: appearance_thresh を上げ（例: 0.92-0.95）、alpha_fixed_emb を下げると、埋め込みがよりゆっくりと適応するようになります。
• 移動カメラ: gmc_method: sparseOptFlow に設定してください（Deep OC-SORTのデフォルトは none です）。
• 低遅延化: 動きとCMCのみを行う場合は with_reid: False (デフォルト) を維持してください。IDの入れ替わりがエラーの主因となる場合にのみReIDを有効にします。

Link to this sectionFastTracker#

FastTracker は、外観モデルを持たないByteTrackのオクルージョン対応版です：

• オクルージョン検出: 他のアクティブなトラックによる被覆率が occ_cover_thresh を超えた場合、トラックをオクルージョン状態としてフラグを立てます。
• オクルージョン時のKalmanロールバック: リングバッファされた履歴を使用して、Kalman状態をオクルージョン発生前のフレームに戻します。
• 動きの減衰と探索範囲の拡大: オクルージョン中は速度が減衰し、予測されたbboxが拡大されます。
• Init-IoU抑制: 新しいトラックがアクティブなトラックの上に発生することを防ぎます。

推奨用途: リアルタイムの検出専用パイプラインで、ターゲット同士の重複が頻発する場合（群衆、行列、スポーツ）。

FastTracker固有の引数：

チューニングのヒント：

• 頻繁な部分的オクルージョン: occ_cover_thresh を低くします（例: 0.5-0.6）。
• 重複エリア周辺での重複ID: init_iou_suppress を低くします（例: 0.5）。
• 長時間にわたるオクルージョン: occ_reappear_window と track_buffer を両方とも引き上げます。
• 高速移動ターゲット: dampen_motion_occ を引き上げ（1.0 に近づける） enlarge_bbox_occ を下げます。

Link to this sectionTrackTrack#

TrackTrack (Shim et al., CVPR 2025) は、マルチキュー反復アソシエーションを用いて、各トラックの視点から推論を行います。

• トラック視点ベースのアソシエーション (TPA): HMIoU、コサインReID距離、信頼度投影距離、コーナー角度距離を組み合わせます。割り当ては緩和閾値を用いて反復的に解決されます。
• トラック認識初期化 (TAI): 新しいIDが作成される前に、重複する生成を抑制します。

用途: 重複IDが問題となる、頻繁にオクルージョンが発生する混雑したシーンに最適です。

TrackTrack固有の引数:

チューニングのヒント：

• 混雑した歩行者: tai_thr を低くして（例: 0.45）重複する生成をより多く抑制し、長時間のオクルージョンのために track_buffer を引き上げます。
• カメラの高速移動: gmc_method: sparseOptFlow を有効のままにします。
• 小型・高速オブジェクト: angle_weight をわずかに上げ、min_track_len を下げます。
• 必要な時のみReIDを有効にする: ReIDは推論コストを増加させます。短いオクルージョンの場合、デフォルトのマルチキューコストで通常は十分です。

Link to this sectionPythonの例#

Link to this sectionトラックの永続化ループ#

以下は、OpenCV (cv2) とYOLO26を使用してビデオフレーム上でオブジェクトトラッキングを実行するPythonスクリプトです。このスクリプトは、必要なパッケージ（opencv-python および ultralytics）がすでにインストールされていることを前提としています。persist=True 引数は、現在の画像またはフレームがシーケンスの次のものであり、前の画像のトラックが現在の画像にも存在することをトラッカーに伝えます。

import cv2

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.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 YOLO26 tracking on the frame, persisting tracks between frames
        # and using the BoT-SORT tracker backend
        results = model.track(frame, persist=True, tracker="botsort.yaml")

        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Display the annotated frame
        cv2.imshow("YOLO26 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()

model(frame) から model.track(frame) への変更に注意してください。これにより、単純な検出ではなくオブジェクトトラッキングが有効になります。この修正されたスクリプトは、ビデオの各フレームでトラッカーを実行し、結果を可視化してウィンドウに表示します。'q' を押すとループを終了できます。

Link to this section時間の経過に伴うトラックのプロット#

連続するフレーム間でオブジェクトトラックを可視化することは、ビデオ内で検出されたオブジェクトの移動パターンや行動に関する貴重な洞察をもたらします。Ultralytics YOLO26を使用すれば、これらのトラックのプロットはシームレスかつ効率的なプロセスとなります。

以下の例では、YOLO26のトラッキング機能を利用して、複数のビデオフレームにわたって検出されたオブジェクトの動きをプロットする方法を説明します。このスクリプトは、ビデオファイルを開き、フレームごとに読み取り、YOLOモデルを利用して様々なオブジェクトを識別・追跡するものです。検出されたバウンディングボックスの中心点を保持し、それらを接続することで、追跡対象のオブジェクトが辿った経路を示す線を引くことができます。

from collections import defaultdict

import cv2
import numpy as np

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.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 YOLO26 tracking on the frame, persisting tracks between frames
        result = model.track(frame, persist=True)[0]

        # Get the boxes and track IDs
        if result.boxes and result.boxes.is_track:
            boxes = result.boxes.xywh.cpu()
            track_ids = result.boxes.id.int().cpu().tolist()

            # Visualize the result on the frame
            frame = result.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 30 tracks for 30 frames
                    track.pop(0)

                # Draw the tracking lines
                points = np.hstack(track).astype(np.int32).reshape((-1, 1, 2))
                cv2.polylines(frame, [points], isClosed=False, color=(230, 230, 230), thickness=10)

        # Display the annotated frame
        cv2.imshow("YOLO26 Tracking", 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()

Link to this sectionマルチスレッドトラッキング#

マルチスレッドトラッキングは、複数のビデオストリーム上で同時にオブジェクトトラッキングを実行する機能を提供します。これは、複数の監視カメラからの入力など、複数のビデオ入力を扱う際に特に便利であり、並列処理によって効率とパフォーマンスを大幅に向上させることができます。

提供されたPythonスクリプトでは、Pythonの threading モジュールを使用して、トラッカーの複数のインスタンスを同時に実行しています。各スレッドは1つのビデオファイルに対するトラッカーの実行を担当し、すべてのスレッドがバックグラウンドで同時に実行されます。

各スレッドが正しいパラメータ（ビデオファイル、使用するモデル、ファイルインデックス）を確実に受け取れるように、これらのパラメータを受け取り、メインのトラッキングループを含む run_tracker_in_thread 関数を定義します。この関数はビデオをフレーム単位で読み取り、トラッカーを実行し、結果を表示します。

この例では2つの異なるモデル（yolo26n.pt と yolo26n-seg.pt）を使用しており、それぞれが異なるビデオファイル内のオブジェクトを追跡します。ビデオファイルは SOURCES で指定されます。

The daemon=True parameter in threading.Thread means that these threads will be closed as soon as the main program finishes. We then start the threads with start() and use join() to make the main thread wait until both tracker threads have finished.

最後に、すべてのスレッドのタスクが完了したら、cv2.destroyAllWindows() を使用して結果を表示していたウィンドウを閉じます。

import threading

import cv2

from ultralytics import YOLO

# Define model names and video sources
MODEL_NAMES = ["yolo26n.pt", "yolo26n-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 YOLO26 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()

この例は、スレッドを増やし、同じ手法を適用することで、より多くのビデオファイルやモデルを扱うように簡単に拡張できます。

Link to this section新しいトラッカーの貢献#

あなたはマルチオブジェクトトラッキングに精通しており、Ultralytics YOLOでトラッキングアルゴリズムの実装や適合に成功しましたか？ultralytics/cfg/trackers のTrackersセクションに貢献していただくことを歓迎します！あなたの実際のアプリケーションやソリューションは、トラッキングタスクに取り組むユーザーにとって非常に価値のあるものとなるでしょう。

このセクションに貢献することで、Ultralytics YOLOフレームワーク内で利用可能なトラッキングソリューションの範囲が拡大され、コミュニティにとって機能性と有用性がさらに向上します。

貢献を開始するには、Pull Request (PR) を提出するための包括的な手順が記載された Contributing Guide を参照してください 🛠️。あなたが何をもたらしてくれるのか楽しみにしています！

皆で協力して、Ultralytics YOLOエコシステムのトラッキング機能を強化しましょう 🙏!

Link to this sectionよくある質問 (FAQ)#

Link to this sectionマルチオブジェクトトラッキングとは何か、またUltralytics YOLOはそれをどのようにサポートしていますか？#

ビデオ分析におけるマルチオブジェクトトラッキングには、オブジェクトの識別と、ビデオフレーム全体を通じて各検出オブジェクトの固有IDを維持することの両方が含まれます。Ultralytics YOLOは、オブジェクトIDとともにリアルタイムトラッキングを提供することでこれをサポートし、セキュリティ監視やスポーツ分析などのタスクを容易にします。システムは、YAMLファイル経由で設定可能な BoT-SORT、ByteTrack、OC-SORT、Deep OC-SORT、FastTracker、TrackTrackなどのトラッカーを使用します。

Link to this sectionUltralytics YOLO用のカスタムトラッカーを設定するにはどうすればよいですか？#

既存のトラッカー設定ファイル（例: custom_tracker.yaml）を Ultralytics トラッカー設定ディレクトリ からコピーし、tracker_type 以外のパラメータを必要に応じて変更することで、カスタムトラッカーを設定できます。このファイルを次のようにトラッキングモデルで使用してください。

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", tracker="custom_tracker.yaml")

Link to this section複数のビデオストリームで同時にオブジェクトトラッキングを実行するにはどうすればよいですか？#

複数のビデオストリームで同時にオブジェクトトラッキングを実行するには、Pythonの threading モジュールを使用できます。各スレッドが別々のビデオストリームを処理します。設定方法の例を以下に示します。

import threading

import cv2

from ultralytics import YOLO

# Define model names and video sources
MODEL_NAMES = ["yolo26n.pt", "yolo26n-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 YOLO26 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()

Link to this sectionUltralytics YOLOを用いたマルチオブジェクトトラッキングの現実世界での応用例は何ですか？#

Ultralytics YOLOを用いたマルチオブジェクトトラッキングには、以下のような多数の応用例があります。

• 交通: 交通管理および 自動運転 のための車両トラッキング。
• 小売: 店内分析およびセキュリティのための人物トラッキング。
• 養殖: 水環境を監視するための魚のトラッキング。
• スポーツ分析: パフォーマンス分析のための選手や器具のトラッキング。
• セキュリティシステム: 不審な行動の監視およびセキュリティアラームの作成。

これらのアプリケーションは、高フレームレートのビデオをリアルタイムかつ卓越した精度で処理できるUltralytics YOLOの能力を活用しています。

Link to this sectionUltralytics YOLOを使用して、複数のビデオフレームにわたってオブジェクトトラックを可視化するにはどうすればよいですか？#

複数のビデオフレームにわたってオブジェクトトラックを可視化するには、YOLOモデルのトラッキング機能とOpenCVを使用して、検出されたオブジェクトの経路を描画できます。これをデモするサンプルスクリプトを以下に示します。

from collections import defaultdict

import cv2
import numpy as np

from ultralytics import YOLO

model = YOLO("yolo26n.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("YOLO26 Tracking", annotated_frame)
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        break
cap.release()
cv2.destroyAllWindows()

このスクリプトは、時間の経過に伴う追跡対象オブジェクトの移動経路を示すトラッキングラインをプロットし、オブジェクトの行動やパターンに関する貴重な洞察を提供します。