다중 객체 추적 Ultralytics YOLO

Q: How do I configure a custom tracker for Ultralytics YOLO?

Ultralytics 추적기 구성 디렉터리에서 기존 추적기 구성 파일(예: custom_tracker.yaml)을 복사하고 필요에 따라 추적기_type을 제외한 매개변수를 수정하여 사용자 지정 추적기를 구성할 수 있습니다. 추적 모델에서 이 파일을 다음과 같이 사용합니다:

Q: How can I run object tracking on multiple video streams simultaneously?

여러 동영상 스트림에서 동시에 개체 추적을 실행하려면 Python 의 스레딩 모듈을 사용하면 됩니다. 각 스레드는 별도의 비디오 스트림을 처리합니다. 다음은 이를 설정하는 방법에 대한 예시입니다:

Q: What are the real-world applications of multi-object tracking with Ultralytics YOLO?

다중 객체 추적( Ultralytics YOLO )에는 다음과 같은 다양한 애플리케이션이 있습니다: 이러한 애플리케이션은 Ultralytics YOLO 의 고프레임률 비디오를 실시간으로 처리하는 기능의 이점을 활용합니다.

다중 객체 추적 예시

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

객체 추적에 Ultralytics YOLO 을 선택하는 이유는 무엇인가요?

Ultralytics 트래커의 출력은 표준 객체 감지와 일치하지만 객체 ID라는 부가 가치가 있습니다. 이를 통해 동영상 스트림에서 객체를 쉽게 추적하고 후속 분석을 수행할 수 있습니다. 객체 추적에 Ultralytics YOLO 사용을 고려해야 하는 이유는 다음과 같습니다:

효율성: 정확도 저하 없이 실시간으로 비디오 스트림을 처리합니다.
유연성: 다양한 추적 알고리즘과 구성을 지원합니다.
사용 편의성: 간단한 Python API 및 CLI 옵션으로 빠른 통합 및 배포가 가능합니다.
사용자 지정 기능: 사용자 정의 훈련된 YOLO 모델을 사용하여 도메인별 애플리케이션에 쉽게 통합할 수 있습니다.

Watch: 물체 감지 및 추적 Ultralytics YOLO .

실제 애플리케이션

교통편	리테일	양식업

차량 추적	사람 추적	물고기 추적

기능 살펴보기

Ultralytics YOLO 는 물체 감지 기능을 확장하여 강력하고 다양한 물체 추적을 제공합니다:

실시간 추적: 고프레임률 동영상에서 오브젝트를 원활하게 추적합니다.
여러 트래커 지원: 이미 확립된 다양한 추적 알고리즘 중에서 선택하세요.
사용자 지정 가능한 트래커 구성: 다양한 매개변수를 조정하여 특정 요구사항을 충족하도록 추적 알고리즘을 맞춤 설정할 수 있습니다.

사용 가능한 트래커

Ultralytics YOLO 는 다음과 같은 추적 알고리즘을 지원합니다. 다음과 같은 관련 YAML 구성 파일을 전달하여 활성화할 수 있습니다. tracker=tracker_type.yaml:

BoT-SORT - 사용 botsort.yaml 를 클릭하여 이 트래커를 활성화합니다.
ByteTrack - 사용 bytetrack.yaml 를 클릭하여 이 트래커를 활성화합니다.

기본 트래커는 BoT-SORT입니다.

추적

트래커 임계값 정보

객체 신뢰도 점수가 낮을 경우(즉, 다음보다 낮은 경우) track_high_thresh를 누르면 성공적으로 반환 및 업데이트된 트랙이 없습니다.

동영상 스트림에서 트래커를 실행하려면, 훈련된 감지, 세그먼트 또는 포즈 모델(예: YOLO11n, YOLO11n-seg, YOLO11n-pose)을 사용하세요.

예

PythonCLI

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"

위의 사용 예에서 볼 수 있듯이 동영상 또는 스트리밍 소스에서 실행되는 모든 감지, 세그먼트 및 포즈 모델에서 추적을 사용할 수 있습니다.

구성

트래커 임계값 정보

객체 신뢰도 점수가 낮을 경우(즉, 다음보다 낮은 경우) track_high_thresh를 누르면 성공적으로 반환 및 업데이트된 트랙이 없습니다.

추적 인수

추적 구성은 다음과 같이 예측 모드와 속성을 공유합니다. conf, iou및 show. 추가 구성에 대해서는 예측 모델 페이지로 이동합니다.

예

PythonCLI

from ultralytics import YOLO

# Configure the tracking parameters and run the tracker
model = YOLO("yolo11n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True)

# Configure tracking parameters and run the tracker using the command line interface
yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" conf=0.3, iou=0.5 show

트래커 선택

Ultralytics 를 사용하면 수정된 트래커 구성 파일을 사용할 수도 있습니다. 이렇게 하려면 트래커 구성 파일의 복사본을 만들기만 하면 됩니다(예 custom_tracker.yaml)에서 ultralytics/cfg/trackers 를 클릭하고 모든 구성을 수정합니다( tracker_type) 필요에 따라 조정할 수 있습니다.

예

PythonCLI

from ultralytics import YOLO

# Load the model and run the tracker with a custom configuration file
model = YOLO("yolo11n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", tracker="custom_tracker.yaml")

# Load the model and run the tracker with a custom configuration file using the command line interface
yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" tracker='custom_tracker.yaml'

추적 인수의 전체 목록은 ultralytics/cfg/trackers 페이지를 참조하세요.

Python 예제

트랙 루프 지속

다음은 다음을 사용하는 Python 스크립트입니다. OpenCV (cv2) 및 YOLO11 를 사용하여 비디오 프레임에서 개체 추적을 실행합니다. 이 스크립트는 필요한 패키지를 이미 설치했다고 가정합니다(opencv-python 그리고 ultralytics). 그리고 persist=True 인수는 트래커에게 현재 이미지 또는 프레임이 시퀀스의 다음 이미지이며 현재 이미지에서 이전 이미지의 트랙을 예상하도록 지시합니다.

추적 기능이 있는 포-루프 스트리밍

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()

다음의 변경 사항에 유의하세요. model(frame) 에 model.track(frame)를 사용하여 단순 감지 대신 객체 추적을 활성화할 수 있습니다. 이 수정된 스크립트는 동영상의 각 프레임에서 트래커를 실행하고 결과를 시각화하여 창에 표시합니다. 'Q'를 눌러 루프를 종료할 수 있습니다.

시간 경과에 따른 트랙 플로팅

연속된 프레임에 걸쳐 객체 트랙을 시각화하면 동영상 내에서 감지된 객체의 움직임 패턴과 동작에 대한 귀중한 인사이트를 얻을 수 있습니다. Ultralytics YOLO11 을 사용하면 이러한 트랙을 원활하고 효율적으로 플로팅할 수 있습니다.

다음 예제에서는 YOLO11 의 추적 기능을 활용하여 여러 비디오 프레임에서 감지된 객체의 움직임을 플로팅하는 방법을 보여줍니다. 이 스크립트에서는 비디오 파일을 열고 프레임별로 읽은 다음 YOLO 모델을 활용하여 다양한 객체를 식별하고 추적합니다. 감지된 경계 상자의 중심점을 유지하고 연결하여 추적된 객체가 따라간 경로를 나타내는 선을 그릴 수 있습니다.

여러 비디오 프레임에 걸쳐 트랙 플로팅하기

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()

멀티 스레드 추적

멀티스레드 추적은 여러 비디오 스트림에서 동시에 객체 추적을 실행할 수 있는 기능을 제공합니다. 이 기능은 여러 대의 감시 카메라에서 여러 개의 비디오 입력을 처리할 때 특히 유용하며, 동시 처리를 통해 효율성과 성능을 크게 향상시킬 수 있습니다.

제공된 Python 스크립트에서 Python 의 threading 모듈을 사용하여 트래커의 여러 인스턴스를 동시에 실행할 수 있습니다. 각 스레드는 하나의 동영상 파일에서 트래커를 실행하며, 모든 스레드는 백그라운드에서 동시에 실행됩니다.

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

이 예에서는 두 가지 다른 모델이 사용됩니다: yolo11n.pt 그리고 yolo11n-seg.pt를 사용하여 각각 다른 비디오 파일에서 개체를 추적할 수 있습니다. 비디오 파일은 video_file1 그리고 video_file2.

그리고 daemon=True 매개변수의 threading.Thread 는 메인 프로그램이 완료되는 즉시 이러한 스레드가 닫힌다는 의미입니다. 그런 다음 다음과 같이 스레드를 시작합니다. start() 및 사용 join() 를 설정하여 두 트래커 스레드가 모두 완료될 때까지 메인 스레드가 대기하도록 합니다.

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

추적 기능이 있는 포-루프 스트리밍

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()

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

새로운 트래커 기여하기

다중 객체 추적에 능숙하고 추적 알고리즘을 성공적으로 구현했거나 적용했나요 Ultralytics YOLO ? ultralytics /cfg/trackers의 트래커 섹션에 기여해 주세요! 여러분의 실제 애플리케이션과 솔루션은 추적 작업을 수행하는 사용자에게 매우 유용할 수 있습니다.

이 섹션에 기여함으로써 Ultralytics YOLO 프레임워크 내에서 사용할 수 있는 추적 솔루션의 범위를 확장하여 커뮤니티에 또 다른 기능과 유틸리티를 추가하는 데 도움을 주실 수 있습니다.

기여를 시작하려면 풀 리퀘스트(PR) 제출에 대한 종합적인 지침이 담긴 기여 가이드를 참조하세요(🛠️). 여러분의 의견을 기다리겠습니다!

함께 Ultralytics YOLO 에코시스템의 추적 기능을 강화해 봅시다 🙏!

자주 묻는 질문

다중 개체 추적이란 무엇이며 Ultralytics YOLO 어떻게 지원하나요?

비디오 분석에서 다중 객체 추적에는 객체를 식별하고 비디오 프레임에서 감지된 각 객체의 고유 ID를 유지하는 것이 모두 포함됩니다. Ultralytics YOLO 객체 ID와 함께 실시간 추적을 제공하여 보안 감시 및 스포츠 분석과 같은 작업을 용이하게 지원합니다. 이 시스템은 YAML 파일을 통해 구성할 수 있는 BoT-SORT 및 ByteTrack과 같은 트래커를 사용합니다.

Ultralytics YOLO 에 대한 사용자 지정 트래커를 구성하려면 어떻게 하나요?

기존 트래커 구성 파일을 복사하여 사용자 지정 트래커를 구성할 수 있습니다(예, custom_tracker.yaml)에서 Ultralytics 트래커 구성 디렉토리 로 설정하고 필요에 따라 매개변수를 수정합니다. tracker_type. 추적 모델에서 이 파일을 다음과 같이 사용하세요:

예

PythonCLI

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", tracker="custom_tracker.yaml")

yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" tracker='custom_tracker.yaml'

여러 비디오 스트림에서 동시에 오브젝트 추적을 실행하려면 어떻게 해야 하나요?

여러 비디오 스트림에서 오브젝트 추적을 동시에 실행하려면 Python 의 threading 모듈을 사용합니다. 각 스레드는 별도의 동영상 스트림을 처리합니다. 다음은 이를 설정하는 방법에 대한 예시입니다:

멀티 스레드 추적

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()

다중 객체 추적의 실제 응용 분야는 무엇입니까 Ultralytics YOLO ?

다중 객체 추적( Ultralytics YOLO )은 다음과 같은 다양한 애플리케이션을 지원합니다:

교통: 교통 관리 및 자율 주행을 위한 차량 추적.
리테일: 매장 내 분석 및 보안을 위한 사람 추적.
양식업: 수중 환경 모니터링을 위한 물고기 추적.

이러한 애플리케이션은 고프레임률 동영상을 실시간으로 처리하는 Ultralytics YOLO 의 기능을 활용할 수 있습니다.

Ultralytics YOLO 을 사용하여 여러 비디오 프레임에 걸쳐 오브젝트 트랙을 시각화하려면 어떻게 해야 하나요?

여러 비디오 프레임에 걸쳐 오브젝트 트랙을 시각화하려면 YOLO 모델의 추적 기능을 OpenCV와 함께 사용하여 감지된 오브젝트의 경로를 그릴 수 있습니다. 다음은 이를 보여주는 스크립트 예시입니다:

여러 비디오 프레임에 걸쳐 트랙 플로팅하기

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()