Link to this sectionОбзор наборов данных для многообъектного отслеживания#

Многообъектное отслеживание — это критически важный компонент видеоаналитики, который идентифицирует объекты и сохраняет уникальные идентификаторы для каждого обнаруженного объекта в кадрах видео. Ultralytics YOLO предоставляет мощные возможности отслеживания, которые можно применять в различных областях, включая видеонаблюдение, спортивную аналитику и мониторинг дорожного движения.

Link to this sectionФормат набора данных (скоро появится)#

Отслеживание в Ultralytics в настоящее время повторно использует модели обнаружения, сегментации или позы без необходимости обучения конкретного трекера. Поддержка обучения собственных трекеров находится в активной разработке.

Link to this sectionДоступные трекеры#

Ultralytics YOLO поддерживает следующие алгоритмы отслеживания:

• BoT-SORT — используй botsort.yaml для включения этого трекера (по умолчанию)
• ByteTrack — используй bytetrack.yaml для включения этого трекера
• OC-SORT — используй ocsort.yaml для включения этого трекера
• Deep OC-SORT — используй deepocsort.yaml для включения этого трекера
• FastTracker — используй fasttrack.yaml для включения этого трекера
• TrackTrack — используй tracktrack.yaml для включения этого трекера

Link to this sectionИспользование#

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 sectionСохранение треков между кадрами#

Для непрерывного отслеживания между кадрами видео можно использовать параметр 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 sectionКак использовать многообъектное отслеживание с Ultralytics YOLO?#

Чтобы использовать многообъектное отслеживание с Ultralytics YOLO, начни с использования примеров для Python или CLI. Вот как ты можешь начать:

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)

Эти команды загружают модель YOLO26 и используют её для отслеживания объектов в указанном видеоисточнике с использованием заданных порогов достоверности (conf) и Intersection over Union (iou). Более подробную информацию см. в документации по режиму track.

Link to this sectionКакие функции для обучения трекеров в Ultralytics появятся в будущем?#

Ultralytics постоянно совершенствует свои модели ИИ. Предстоящая функция позволит обучать автономные трекеры. До тех пор многообъектный детектор использует предобученные модели обнаружения, сегментации или позы для отслеживания без необходимости автономного обучения. Следи за обновлениями в нашем блоге.

Link to this sectionПочему стоит использовать Ultralytics YOLO для многообъектного отслеживания?#

Ultralytics YOLO — это передовая модель обнаружения объектов, известная своей производительностью в реальном времени и высокой точностью. Использование YOLO для многообъектного отслеживания дает несколько преимуществ:

• Отслеживание в реальном времени: обеспечивай эффективное и высокоскоростное отслеживание, идеально подходящее для динамических сред.
• Гибкость с предобученными моделями: не нужно обучать с нуля; просто используй предобученные модели обнаружения, сегментации или позы.
• Простота использования: простая интеграция API как с Python, так и с CLI делает настройку конвейеров отслеживания понятной.
• Обширная документация и поддержка сообщества: Ultralytics предоставляет исчерпывающую документацию и активный форум сообщества для устранения неполадок и улучшения твоих моделей отслеживания.

Для получения подробной информации о настройке и использовании YOLO для отслеживания посети наше руководство по использованию track.

Link to this sectionМогу ли я использовать собственные наборы данных для многообъектного отслеживания с Ultralytics YOLO?#

Да, ты можешь использовать собственные наборы данных для многообъектного отслеживания с Ultralytics YOLO. Хотя поддержка обучения автономных трекеров — это будущая функция, ты уже можешь использовать предобученные модели на своих наборах данных. Подготовь свои данные в подходящем формате, совместимом с YOLO, и следуй документации, чтобы их интегрировать.

Link to this sectionКак интерпретировать результаты модели отслеживания Ultralytics YOLO?#

После выполнения задачи отслеживания с помощью Ultralytics YOLO результаты включают различные точки данных, такие как ID отслеживаемых объектов, их ограничивающие прямоугольники (bbox) и оценки достоверности. Вот краткий обзор того, как интерпретировать эти результаты:

• ID отслеживания: каждому объекту присваивается уникальный идентификатор, который помогает отслеживать его в разных кадрах.
• Ограничивающие прямоугольники (BBox): они указывают расположение отслеживаемых объектов в кадре.
• Оценки достоверности: они отражают уверенность модели в обнаружении отслеживаемого объекта.

Подробное руководство по интерпретации и визуализации этих результатов см. в руководстве по обработке результатов.

Link to this sectionКак настроить конфигурацию трекера?#

Ты можешь настроить трекер, создав измененную версию файла конфигурации трекера. Скопируй существующий файл конфигурации трекера из ultralytics/cfg/trackers, измени параметры по мере необходимости и укажи этот файл при запуске трекера:

from ultralytics import YOLO

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