Link to this sectionUltralytics YOLO를 사용한 다중 객체 추적#

비디오 분석 분야에서 객체 추적은 프레임 내 객체의 위치와 클래스를 식별할 뿐만 아니라, 비디오가 진행됨에 따라 감지된 각 객체에 고유 ID를 유지하는 중요한 작업입니다. 감시 및 보안부터 실시간 스포츠 분석에 이르기까지 그 응용 분야는 무궁무진합니다.

Link to this section왜 객체 추적에 Ultralytics YOLO를 선택해야 하나요?#

Ultralytics 트래커의 출력은 표준 객체 감지와 일치하면서 객체 ID라는 추가 가치를 제공합니다. 이를 통해 비디오 스트림에서 객체를 쉽게 추적하고 후속 분석을 수행할 수 있습니다. 객체 추적 요구 사항에 Ultralytics YOLO를 고려해야 하는 이유는 다음과 같습니다:

• 효율성: 정확도를 저하시키지 않으면서 실시간으로 비디오 스트림을 처리합니다.
• 유연성: 여러 추적 알고리즘 및 구성을 지원합니다.
• 사용 편의성: 빠른 통합 및 배포를 위한 간단한 Python API와 CLI 옵션을 제공합니다.
• 사용자 정의 가능성: 사용자 정의 학습된 YOLO 모델과 쉽게 사용할 수 있어 도메인별 애플리케이션으로의 통합이 가능합니다.

Link to this section실제 활용 사례#

교통	소매	양식업
차량 추적	사람 추적	물고기 추적

Link to this section빠른 시작#

기본 BoT-SORT 트래커를 사용하여 비디오에서 추적을 실행하십시오. tracker 인수를 변경하여 다른 트래커로 전환할 수 있습니다.

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")

비디오 스트림에서 트래커를 실행하려면 YOLO26n, YOLO26n-seg, YOLO26n-pose 또는 YOLO26n-obb와 같은 학습된 Detect, Segment, Pose 또는 OBB 모델을 사용하십시오. Ultralytics Platform을 통해 로컬 또는 클라우드 GPU에서 사용자 지정 모델을 학습시킬 수 있습니다.

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

위 사용법에서 볼 수 있듯이, 비디오나 스트리밍 소스에서 실행되는 모든 Detect, Segment, Pose 모델에 대해 추적 기능을 사용할 수 있습니다.

Link to this section지원되는 트래커#

Ultralytics YOLO는 6개의 내장 트래커를 제공합니다. YAML 구성 파일을 tracker 인수에 전달하여 활성화하십시오.

Link to this section어떤 트래커를 사용해야 하나요?#

시작점을 선택하려면 이 흐름을 따르십시오:

1. 가장 빠르고 간단한 기준점이 필요한가요? → ByteTrack (ReID 없음, 카메라 모션 보정 없음, 최소한의 오버헤드).
2. 휴대용, 드론 또는 이동식 카메라 영상인가요? → BoT-SORT (기본값; 카메라 모션 보정 및 선택적 ReID 추가).
3. 비선형 모션(스포츠, 댄스, 급격한 방향 전환) 및 ReID가 필요 없는 경우? → OC-SORT (외관 비용 없는 관찰 중심 보정).
4. ID 스왑이 주요 문제인 혼잡한 이동식 카메라 장면인가요? → Deep OC-SORT 또는 TrackTrack (둘 다 적응형 외관 융합 추가; TrackTrack은 다중 큐 연관 및 중복 ID 억제도 추가).
5. 실시간으로 잦은 부분 겹침이 발생하고 ReID 예산이 없는 경우? → FastTracker (Kalman 롤백이 포함된 가림 인식 ByteTrack 변형).

Link to this section트래커 전환#

트래커 구성 파일 이름을 tracker=에 전달하십시오. 다른 모든 코드는 동일하게 유지됩니다.

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 section설정#

Link to this section추적 인수#

추적 구성은 conf, iou, show와 같은 예측 모드와 속성을 공유합니다. 추가 구성에 대해서는 Predict 모델 페이지를 참조하십시오.

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 section사용자 정의 트래커 구성#

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 section공유 트래커 인수#

다음 매개변수는 대부분의 트래커 YAML 파일에서 공통으로 사용됩니다. 모든 구성에 모든 매개변수가 나타나지는 않습니다:

Link to this section트래커별 인수(Arguments)#

각 알고리즘은 공유 매개변수 외에도 추가적인 설정 옵션을 제공합니다. 각 트래커별 섹션에서 설명과 튜닝 조언을 확인하거나, 구성 파일을 직접 참조하십시오:

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

Link to this section재식별(Re-Identification, ReID) 활성화#

ReID는 오버헤드를 최소화하기 위해 기본적으로 비활성화되어 있습니다. 트래커 구성 파일에서 with_reid: True로 설정하여 활성화하십시오.

ReID 모델 옵션:

• model: auto — 네이티브 YOLO 탐지기 기능을 사용하여 오버헤드를 최소화합니다. 성능 저하를 최소화하면서 ReID 기능이 필요할 때 이상적입니다. 탐지기가 호환되는 기능을 제공하지 않으면 yolo26n-cls.pt로 대체됩니다.
• 내보낸 ReID 모델 — 추가적인 추론 단계 비용을 감수하더라도 더 구별력 있는 임베딩이 필요한 경우 model:을 내보낸 파일(.torchscript, .onnx, .engine, .openvino 등)로 지정하십시오. 인코더는 AutoBackend를 통해 로드되므로, Ultralytics가 지원하는 모든 내보내기 형식은 코드 변경 없이 작동합니다.

즉시 사용 가능한 ONNX 인코더가 모든 모델 크기에 대해 게시되어 있습니다. model:을 이 이름 중 하나로 설정하면 트래커가 처음 실행될 때 파일이 자동으로 다운로드됩니다(YOLO 가중치를 가져오는 방식과 동일). 별도의 수동 내보내기나 다운로드 단계는 필요하지 않습니다.

# 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

별도의 분류 모델로 더 나은 성능을 얻으려면, TensorRT와 같이 더 빠른 백엔드로 내보내십시오:

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)

내보낸 후, 트래커 구성에서 TensorRT 모델 경로를 지정하십시오.

Link to this section트래커 세부 정보#

각 트래커의 설계, 특정 매개변수 및 튜닝 팁을 보려면 아래 섹션을 확장하십시오.

Link to this sectionBoT-SORT#

BoT-SORT (Aharon et al., 2022)는 기본 트래커입니다. 이는 ByteTrack을 확장하여 카메라 움직임 보정과 선택적 ReID 기능을 제공합니다:

• 카메라 움직임 보정 (CMC): IoU 매칭 전에 각 프레임에서 추정된 아핀 워프(기본값은 희소 광학 흐름(sparse optical flow), ORB/ECC도 사용 가능)가 칼만 필터 상태에 적용됩니다.
• 선택적 ReID: 외형 임베딩을 비용 행렬에 통합할 수 있습니다. 기본적으로 비활성화되어 있으며 with_reid: True로 활성화합니다.

용도: 범용 추적, 특히 카메라가 움직이는 환경에 가장 적합합니다. 외형이 비슷한 군중으로 인해 ID 교체가 발생하는 경우에만 ReID를 추가하십시오.

BoT-SORT 전용 인수:

튜닝 팁:

• 정적 카메라: 프레임당 시간을 단축하려면 gmc_method: none으로 설정하십시오.
• 격렬한 카메라 움직임: sparseOptFlow를 유지하십시오. ecc는 더 정확하지만 느립니다.
• 외형이 비슷한 군중: with_reid: True를 켜고 appearance_thresh를 높이십시오(예: 0.85+).

Link to this sectionByteTrack#

ByteTrack (Zhang et al., ECCV 2022)은 경량 베이스라인 모델입니다. 선형 칼만 필터와 IoU를 사용하여 2단계 연관 방식을 사용합니다:

• 1단계: 높은 점수의 탐지 결과를 활성 트랙과 매칭합니다.
• 2단계: 매칭되지 않은 트랙을 낮은 점수의 탐지 결과와 재매칭하여 일시적인 부분 가림(occlusion)을 복구합니다.

외형 모델이나 카메라 움직임 보정 기능은 없습니다.

용도: 탐지 비용이 주를 이루고 트래커 오버헤드를 최소화하려는 정적 또는 거의 정적인 카메라 환경에 가장 적합합니다.

ByteTrack 전용 인수: 공유 트래커 인수 외에는 없습니다.

튜닝 팁:

• 노이즈가 많은 탐지기: 2단계에서 더 많은 후보를 확보하려면 track_low_thresh를 낮추십시오.
• 고재현율(High-recall) 탐지기: ID 단편화를 줄이려면 track_high_thresh를 높이십시오.
• 빈번한 ID 깜박임: 일시적으로 놓친 트랙이 유지되도록 track_buffer를 높이십시오.

Link to this sectionOC-SORT#

OC-SORT (Cao et al., CVPR 2023)는 SORT의 관찰 중심(Observation-Centric) 확장 버전입니다. SORT의 경량 설계(외형 특징 없음)를 유지하면서 세 가지 보정 기능을 추가합니다:

• 관찰 중심 재업데이트 (ORU): 마지막 관찰과 현재 탐지 사이의 가상 궤적을 재생하여 칼만 업데이트를 다시 실행함으로써 표류된 속도를 복구합니다.
• 관찰 중심 모멘텀 (OCM): 속도 일관성 항을 통해 잘못된 방향으로 이동하는 탐지 결과에 페널티를 부여합니다.
• 관찰 중심 복구 (OCR): 예측된 상태 대신 마지막 관찰 정보를 사용하여 최근 손실된 트랙과 매칭되지 않은 탐지 결과를 재확인합니다.

용도: ReID 모델 비용 없이 비선형 움직임을 추적하는 데 가장 적합합니다.

OC-SORT 전용 인수:

튜닝 팁:

• 비선형 움직임: inertia를 높이십시오(예: 0.3-0.4).
• 희소 탐지: use_byte: True를 활성화하십시오.
• 긴 가림: OCR이 재결합할 손실된 트랙을 더 많이 유지할 수 있도록 track_buffer를 높이십시오.

Link to this sectionDeep OC-SORT#

Deep OC-SORT는 OC-SORT에 외형 정보와 카메라 움직임 보정 기능을 추가한 모델입니다:

• 적응형 외형 융합: 탐지 신뢰도와 중첩 정도에 따라 가중치가 조절된 탐지 임베딩이 비용 행렬에 통합됩니다.
• 동적 외형 EMA: 탐지 신뢰도에 따라 평활화 계수가 조절되는 EMA를 사용하여 트랙 임베딩이 업데이트됩니다.
• 카메라 움직임 보정: 칼만 필터 상태는 희소 광학 흐름, ORB 또는 ECC를 통해 프레임 간 워핑됩니다.

용도: 시각적으로는 다르지만 공간적으로 가까운 객체 간의 ID 교체가 빈번한 혼잡하거나 카메라가 움직이는 환경에 가장 적합합니다.

Deep OC-SORT 전용 인수:

튜닝 팁:

• 군중 속 ID 교체: appearance_thresh를 높이고(예: 0.92-0.95) alpha_fixed_emb를 낮추어 임베딩이 더 느리게 적응하도록 하십시오.
• 움직이는 카메라: gmc_method: sparseOptFlow로 설정하십시오(Deep OC-SORT는 기본적으로 none으로 설정됨).
• 낮은 지연 시간: 움직임 및 CMC만 사용하려면 with_reid: False(기본값)를 유지하고, ID 교체가 오류의 주원인이 될 때만 ReID를 활성화하십시오.

Link to this sectionFastTracker#

FastTracker는 외형 모델이 없는 가림 인식 ByteTrack 변형 모델입니다:

• 가림 탐지: 다른 활성 트랙에 의한 가림 정도가 occ_cover_thresh를 초과하면 트랙이 가려진 것으로 표시합니다.
• 가림 시 칼만 필터 롤백: 링 버퍼 기록을 사용하여 칼만 필터 상태를 가림 이전 프레임으로 롤백합니다.
• 움직임 감쇠 및 탐색 확장: 가려진 동안 속도가 감쇠되고 예측된 bbox가 확대됩니다.
• Init-IoU 억제: 새로운 트랙이 활성 트랙 위에 생성되는 것을 방지합니다.

용도: 타겟 간 겹침이 잦은(군중, 대기줄, 스포츠 등) 실시간 탐지 전용 파이프라인에 가장 적합합니다.

FastTracker 전용 인수:

튜닝 팁:

• 빈번한 부분 폐색: occ_cover_thresh를 낮추십시오(예: 0.5-0.6).
• 겹침 주변의 중복 ID: init_iou_suppress를 낮추십시오(예: 0.5).
• 장기 폐색: occ_reappear_window와 track_buffer를 함께 높이십시오.
• 빠르게 움직이는 타겟: dampen_motion_occ를 높이고(1.0에 가깝게) enlarge_bbox_occ를 낮추십시오.

Link to this sectionTrackTrack#

TrackTrack(Shim 외, CVPR 2025)은 다중 큐 반복 연관을 통해 각 트랙의 관점에서 추론합니다:

• 트랙 관점 기반 연관 (TPA): HMIoU, 코사인 ReID 거리, 신뢰도 투영 거리 및 코너 각도 거리를 결합합니다. 할당은 완화 임계값을 사용하여 반복적으로 해결됩니다.
• 트랙 인식 초기화 (TAI): 새 ID가 생성되기 전에 중복 생성을 억제합니다.

용도: 중복 ID가 문제되는 빈번한 폐색이 있는 혼잡한 장면에 가장 적합합니다.

TrackTrack 전용 인수:

튜닝 팁:

• 혼잡한 보행자: 중복 생성을 더 많이 억제하려면 tai_thr을 낮추고(예: 0.45), 장기 폐색을 위해 track_buffer를 높이십시오.
• 빠른 카메라 움직임: gmc_method: sparseOptFlow를 활성화 상태로 유지하십시오.
• 작거나 빠른 객체: angle_weight를 약간 높이고 min_track_len을 낮추십시오.
• 필요할 때만 ReID 활성화: 추론 비용이 추가됩니다. 짧은 폐색의 경우 기본 다중 큐 비용으로 충분한 경우가 많습니다.

Link to this sectionPython 예제#

Link to this section트랙 지속 루프#

다음은 OpenCV (cv2)와 YOLO26을 사용하여 비디오 프레임에서 객체 추적을 실행하는 Python 스크립트입니다. 이 스크립트는 필요한 패키지(opencv-python 및 ultralytics)가 이미 설치되어 있다고 가정합니다. persist=True 인수는 현재 이미지나 프레임이 시퀀스의 다음 단계임을 트래커에 알리고 현재 이미지에서 이전 이미지의 트랙을 찾도록 합니다.

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)에서 model.track(frame)으로의 변경 사항에 유의하십시오. 이는 단순 탐지 대신 객체 추적을 활성화합니다. 이 수정된 스크립트는 비디오의 각 프레임에서 트래커를 실행하고 결과를 시각화하여 창에 표시합니다. 루프는 'q'를 눌러 종료할 수 있습니다.

Link to this section시간에 따른 트랙 플로팅#

연속적인 프레임에서 객체 트랙을 시각화하면 비디오 내에서 탐지된 객체의 이동 패턴과 행동에 대한 귀중한 통찰력을 얻을 수 있습니다. Ultralytics YOLO26을 사용하면 이러한 트랙을 플로팅하는 과정이 원활하고 효율적입니다.

다음 예제에서는 YOLO26의 추적 기능을 사용하여 여러 비디오 프레임에 걸쳐 탐지된 객체의 이동을 플로팅하는 방법을 보여줍니다. 이 스크립트는 비디오 파일을 열고 프레임별로 읽으며, YOLO 모델을 활용하여 다양한 객체를 식별하고 추적합니다. 탐지된 바운딩 박스의 중심점을 유지하고 연결함으로써 추적된 객체가 이동한 경로를 나타내는 선을 그릴 수 있습니다.

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 section멀티스레드 추적#

멀티스레드 추적은 여러 비디오 스트림에서 동시에 객체 추적을 실행할 수 있는 기능을 제공합니다. 이는 여러 감시 카메라와 같은 여러 비디오 입력을 처리할 때 특히 유용하며, 병렬 처리를 통해 효율성과 성능을 크게 향상시킬 수 있습니다.

제공된 Python 스크립트에서는 Python의 threading 모듈을 사용하여 트래커의 여러 인스턴스를 동시에 실행합니다. 각 스레드는 하나의 비디오 파일에 대해 트래커를 실행하며, 모든 스레드는 백그라운드에서 동시에 실행됩니다.

각 스레드가 올바른 매개변수(비디오 파일, 사용할 모델 및 파일 인덱스)를 수신하도록 하기 위해 이러한 매개변수를 허용하고 메인 추적 루프를 포함하는 run_tracker_in_thread 함수를 정의합니다. 이 함수는 비디오를 프레임 단위로 읽고, 트래커를 실행하며, 결과를 표시합니다.

이 예제에서는 yolo26n.pt와 yolo26n-seg.pt라는 두 가지 다른 모델이 사용되며, 각각 다른 비디오 파일에서 객체를 추적합니다. 비디오 파일은 SOURCES에 지정되어 있습니다.

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.

마지막으로 모든 스레드가 작업을 완료하면 cv2.destroyAllWindows()를 사용하여 결과를 표시하는 창이 닫힙니다.

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()

이 예제는 더 많은 스레드를 생성하고 동일한 방법론을 적용하여 더 많은 비디오 파일과 모델을 처리하도록 쉽게 확장할 수 있습니다.

Link to this section새로운 트래커 기여하기#

다중 객체 추적에 능숙하며 Ultralytics YOLO로 추적 알고리즘을 성공적으로 구현하거나 적응시켰습니까? ultralytics/cfg/trackers의 Trackers 섹션에 기여해 주시기 바랍니다! 귀하의 실제 애플리케이션과 솔루션은 추적 작업을 수행하는 사용자에게 매우 가치 있을 것입니다.

이 섹션에 기여함으로써 귀하는 Ultralytics YOLO 프레임워크 내에서 사용 가능한 추적 솔루션의 범위를 확장하고 커뮤니티를 위한 또 다른 기능과 유용성을 더하게 됩니다.

기여를 시작하려면 Pull Request (PR) 제출에 대한 포괄적인 지침이 포함된 기여 가이드를 참조하십시오 🛠️. 귀하가 어떤 기여를 할지 기대됩니다!

함께 Ultralytics YOLO 생태계의 추적 기능을 향상시켜 봅시다 🙏!

Link to this sectionFAQ#

Link to this section다중 객체 추적이란 무엇이며 Ultralytics YOLO는 이를 어떻게 지원합니까?#

비디오 분석에서의 다중 객체 추적은 객체를 식별하고 비디오 프레임 전반에 걸쳐 탐지된 각 객체에 대해 고유한 ID를 유지하는 것을 모두 포함합니다. Ultralytics YOLO는 객체 ID와 함께 실시간 추적을 제공하여 보안 감시 및 스포츠 분석과 같은 작업을 지원합니다. 이 시스템은 YAML 파일을 통해 구성할 수 있는 BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT, FastTracker 및 TrackTrack과 같은 트래커를 사용합니다.

Link to this sectionUltralytics YOLO용 커스텀 트래커를 어떻게 구성합니까?#

You can configure a custom tracker by copying an existing tracker configuration file (e.g., custom_tracker.yaml) from the Ultralytics tracker configuration directory and modifying parameters as needed, except for the tracker_type. Use this file in your tracking model like so:

from ultralytics import YOLO

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

Link to this section여러 비디오 스트림에서 객체 추적을 동시에 실행하려면 어떻게 해야 합니까?#

여러 비디오 스트림에서 객체 추적을 동시에 실행하려면 Python의 threading 모듈을 사용할 수 있습니다. 각 스레드는 별도의 비디오 스트림을 처리합니다. 설정 방법의 예는 다음과 같습니다:

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 YOLO를 사용한 다중 객체 추적의 실제 응용 사례는 무엇입니까?#

Ultralytics YOLO를 사용한 다중 객체 추적에는 다음과 같은 수많은 응용 분야가 있습니다:

• 교통: 교통 관리 및 자율 주행을 위한 차량 추적.
• 소매: 매장 내 분석 및 보안을 위한 사람 추적.
• 양식: 수중 환경 모니터링을 위한 물고기 추적.
• 스포츠 분석: 성능 분석을 위한 선수 및 장비 추적.
• 보안 시스템: 의심스러운 활동 모니터링 및 보안 알람 생성.

이러한 응용 분야는 Ultralytics YOLO가 고프레임 속도 비디오를 실시간으로 탁월한 정확도로 처리하는 기능으로부터 이점을 얻습니다.

Link to this sectionUltralytics YOLO를 사용하여 여러 비디오 프레임에 걸쳐 객체 트랙을 시각화하려면 어떻게 해야 합니까?#

여러 비디오 프레임에 걸쳐 객체 트랙을 시각화하려면 YOLO 모델의 추적 기능과 OpenCV를 사용하여 탐지된 객체의 경로를 그릴 수 있습니다. 이를 보여주는 예제 스크립트는 다음과 같습니다:

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()

이 스크립트는 시간에 따른 추적된 객체의 이동 경로를 보여주는 추적 선을 플로팅하여 객체 행동 및 패턴에 대한 귀중한 통찰력을 제공합니다.