Многообъектное отслеживание с помощью Ultralytics YOLO#

Отслеживание объектов в области видеоаналитики — это критически важная задача, которая не только определяет местоположение и класс объектов в кадре, но и сохраняет уникальный ID для каждого обнаруженного объекта по мере развития видео. Сферы применения безграничны — от наблюдения и безопасности до анализа спортивных событий в реальном времени.

Почему стоит выбрать Ultralytics YOLO для отслеживания объектов?#

Результат работы трекеров Ultralytics совместим со стандартным обнаружением объектов, но дополнен идентификаторами объектов. Это упрощает отслеживание объектов в видеопотоках и выполнение последующей аналитики. Вот почему тебе стоит использовать Ultralytics YOLO для задач трекинга объектов:

• Эффективность: обрабатывай видеопотоки в реальном времени без ущерба для точности.
• Гибкость: Поддерживает несколько алгоритмов и конфигураций отслеживания.
• Простота использования: Простой Python API и CLI опции для быстрой интеграции и развертывания.
• Кастомизируемость: Легко использовать с дообученными моделями YOLO, что позволяет интегрировать их в узкоспециализированные приложения.

Применение в реальных условиях#

Транспорт	Ритейл	Аквакультура
Отслеживание транспортных средств	Отслеживание людей	Отслеживание рыб

Быстрый старт#

Запусти трекинг на видео с трекером BoT-SORT по умолчанию. Переключись на другой трекер, изменив аргумент tracker.

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")

Чтобы запустить трекер на видеопотоках, используй обученную модель Detect, Segment, Pose или OBB, такую как YOLO26n, YOLO26n-seg, YOLO26n-pose или YOLO26n-obb. Ты можешь обучать пользовательские модели локально или с помощью облачного обучения на платформе Ultralytics Platform.

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

Поддерживаемые трекеры#

Ultralytics YOLO поставляется с шестью встроенными трекерами. Включи один из них, передав его файл конфигурации YAML в аргумент tracker.

Какой трекер мне использовать?#

Используй эту схему, чтобы выбрать точку отсчета:

1. Нужен самый быстрый и простой бейзлайн? → ByteTrack (без ReID, без компенсации движения камеры, минимальные накладные расходы).
2. Ручная съемка, дрон или кадры с движущейся камеры? → BoT-SORT (по умолчанию; добавляет компенсацию движения камеры и опциональный ReID).
3. Нелинейное движение (спорт, танцы, резкие повороты) и без ReID? → OC-SORT (наблюдательно-центрированные корректировки без затрат на анализ внешнего вида).
4. Многолюдные сцены с движущейся камерой, где основная проблема — замена ID? → Deep OC-SORT или TrackTrack (оба добавляют адаптивное слияние внешнего вида; TrackTrack также добавляет многофакторную ассоциацию и подавление дубликатов ID).
5. Частые частичные перекрытия в реальном времени, нет бюджета на ReID? → FastTracker (вариант ByteTrack с учетом перекрытий и откатом Калмана).

Переключение трекеров#

Передай имя файла конфигурации трекера в tracker=. Весь остальной код остается прежним.

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")

Конфигурация#

Аргументы отслеживания#

Конфигурация трекинга разделяет свойства с режимом Predict, такие как conf, iou и show. Дополнительные параметры конфигурации см. на странице модели Predict.

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)

Пользовательская конфигурация трекера#

Ultralytics также позволяет использовать измененный файл конфигурации трекера. Для этого просто сделай копию файла конфигурации трекера (например, custom_tracker.yaml) из ultralytics/cfg/trackers и измени любые параметры (кроме tracker_type) в соответствии со своими потребностями.

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")

Общие аргументы трекера#

Следующие параметры являются общими для большинства YAML-файлов трекеров; не каждый параметр присутствует в каждой конфигурации:

Аргументы для конкретных трекеров#

Каждый алгоритм предоставляет дополнительные настройки в дополнение к общим параметрам. Описания и советы по настройке см. в разделах для каждого трекера ниже или обратись непосредственно к конфигурационным файлам:

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

Включение повторной идентификации (ReID)#

ReID по умолчанию отключен для минимизации накладных расходов. Включи его, установив with_reid: True в файле конфигурации трекера.

Опции модели ReID:

• model: auto — использует встроенные признаки детектора YOLO, добавляя минимальные накладные расходы. Идеально, когда тебе нужен некоторый ReID без значительного снижения производительности. Возвращается к yolo26n-cls.pt, если детектор не предоставляет совместимые признаки.
• Экспортированная модель ReID — укажи model: на экспортированный файл (.torchscript, .onnx, .engine, .openvino и т. д.) для получения более различимых эмбеддингов ценой дополнительного прямого прохода на каждый кроп. Энкодер загружается через AutoBackend, поэтому любой формат экспорта, поддерживаемый Ultralytics, работает без изменения кода.

Готовые к использованию энкодеры ONNX опубликованы для каждого размера модели. Установи model: в одно из этих имен, и файл загрузится автоматически при первом запуске трекера (так же, как загружаются веса YOLO) — не требуется никаких шагов ручного экспорта или скачивания:

# 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

Для повышения производительности при использовании отдельной модели классификации экспортируй её в более быстрый бэкенд, например, TensorRT:

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)

После экспорта укажи путь к модели TensorRT в конфигурации трекера.

Подробности о трекерах#

Разверни разделы ниже, чтобы узнать о проектировании, конкретных параметрах и советах по настройке для каждого трекера.

BoT-SORT#

BoT-SORT (Aharon et al., 2022) является трекером по умолчанию. Он расширяет ByteTrack компенсацией движения камеры и опциональным ReID:

• Компенсация движения камеры (CMC): аффинное преобразование, оцениваемое для каждого кадра (по умолчанию используется разреженный оптический поток; также доступны ORB / ECC), применяется к состояниям Калмана перед сопоставлением по IoU.
• Опциональный ReID: эмбеддинги внешнего вида могут быть объединены в матрицу стоимости. По умолчанию отключено; включи с помощью with_reid: True.

Лучший выбор для: трекинга общего назначения, особенно с движущихся камер. Добавляй ReID только в тех случаях, когда похожие друг на друга объекты вызывают путаницу идентификаторов (ID swaps).

Специфические аргументы BoT-SORT:

Советы по настройке:

• Статическая камера: установи gmc_method: none, чтобы сэкономить несколько мс на кадр.
• Сильное движение камеры: оставь sparseOptFlow; ecc точнее, но медленнее.
• Похожие толпы: включи with_reid: True и увеличь appearance_thresh (например, 0.85+).

ByteTrack#

ByteTrack (Zhang et al., ECCV 2022) — это легковесный базовый алгоритм. Он использует линейный фильтр Калмана + IoU с двуэтапной ассоциацией:

• Этап 1: сопоставление детекций с высокой уверенностью с активными треками.
• Этап 2: повторная попытка сопоставления оставшихся треков с детекциями с низкой уверенностью для восстановления после кратковременного частичного перекрытия.

Модель не имеет модели внешнего вида и компенсации движения камеры.

Лучший выбор для: статических или почти статических камер, где основная нагрузка приходится на детектор, и тебе требуется минимальная нагрузка от трекера.

Аргументы, специфичные для ByteTrack: отсутствуют, помимо общих аргументов трекера.

Советы по настройке:

• Шумный детектор: уменьши track_low_thresh, чтобы у второго этапа было больше кандидатов.
• Детектор с высокой полнотой (high-recall): увеличь track_high_thresh, чтобы уменьшить фрагментацию ID.
• Частое мерцание ID: увеличь track_buffer, чтобы недолго пропущенные треки сохранялись.

OC-SORT#

OC-SORT (Cao et al., CVPR 2023) — это ориентированное на наблюдения расширение SORT. Оно сохраняет легковесный дизайн SORT (без признаков внешнего вида) и добавляет три коррекции:

• Повторное обновление, ориентированное на наблюдение (ORU): воспроизводит виртуальную траекторию между последним наблюдением и текущей детекцией, повторно запуская обновление Калмана для исправления дрейфа скорости.
• Импульс, ориентированный на наблюдение (OCM): штрафует детекции, движущиеся в неправильном направлении, с помощью члена согласованности скорости.
• Восстановление, ориентированное на наблюдение (OCR): повторно проверяет несопоставленные детекции по отношению к недавно потерянным трекам, используя их последнее наблюдение, а не предсказанное состояние.

Лучший выбор для: нелинейного движения без затрат на модель ReID.

Специфические аргументы OC-SORT:

Советы по настройке:

• Нелинейное движение: увеличь inertia (например, 0.3-0.4).
• Разреженные детекции: включи use_byte: True.
• Длинные окклюзии: увеличь track_buffer, чтобы у OCR было больше потерянных треков для повторного связывания.

Deep OC-SORT#

Deep OC-SORT дополняет OC-SORT информацией о внешнем виде и компенсацией движения камеры:

• Адаптивное объединение внешнего вида: эмбеддинги детекций объединяются в матрицу стоимости с весом, модулируемым уверенностью детекции и перекрытием.
• Динамический EMA внешнего вида: эмбеддинги треков обновляются с помощью EMA, коэффициент сглаживания которого адаптируется к уверенности детекции.
• Компенсация движения камеры: состояния Калмана искажаются от кадра к кадру через разреженный оптический поток, ORB или ECC.

Лучший выбор для: сцен в толпе или с движущейся камерой, где часты случаи смены ID между визуально разными, но пространственно близкими объектами.

Специфические аргументы Deep OC-SORT:

Советы по настройке:

• Смена идентификаторов в толпе: увеличь appearance_thresh (например, 0.92-0.95) и уменьши alpha_fixed_emb, чтобы эмбеддинги адаптировались медленнее.
• Движущаяся камера: установи gmc_method: sparseOptFlow (в Deep OC-SORT по умолчанию используется none).
• Меньшая задержка: оставь with_reid: False (по умолчанию) только для движения + CMC; включай ReID только тогда, когда смена ID преобладает среди ошибок.

FastTracker#

FastTracker — это вариант ByteTrack с учетом окклюзий без модели внешнего вида:

• Обнаружение окклюзии: помечает треки как окклюзированные, когда покрытие другими активными треками превышает occ_cover_thresh.
• Откат Калмана при перекрытии: откатывает состояние Калмана к кадру до начала перекрытия, используя историю кольцевого буфера.
• Демпфирование движения и расширение поиска: скорость демпфируется, а предсказанный bbox увеличивается во время перекрытия.
• Подавление Init-IoU: предотвращает появление новых треков поверх активных.

Лучший выбор для: конвейеров обнаружения в реальном времени с частым наложением целей (толпы, очереди, спорт).

Специфические аргументы FastTracker:

Советы по настройке:

• Частичные окклюзии: уменьши occ_cover_thresh (например, 0.5-0.6).
• Дублирование ID вокруг пересечений: уменьши init_iou_suppress (например, 0.5).
• Длинные окклюзии: увеличь occ_reappear_window и track_buffer одновременно.
• Быстро движущиеся цели: увеличь dampen_motion_occ (ближе к 1.0) и уменьши enlarge_bbox_occ.

TrackTrack#

TrackTrack (Shim et al., CVPR 2025) анализирует ситуацию с перспективы каждого трека с помощью многосигнальной итеративной ассоциации:

• Ассоциация на основе перспективы трека (TPA): объединяет HMIoU, косинусное расстояние ReID, расстояние проекции уверенности и расстояние угла поворота углов. Назначение решается итеративно с использованием порога ослабления.
• Инициализация с учетом трека (TAI): подавляет создание дубликатов до того, как будет создан новый ID.

Лучшее решение для: переполненных сцен с частыми перекрытиями, где дублирующиеся ID являются проблемой.

Аргументы, специфичные для TrackTrack:

Советы по настройке:

• Многолюдные пешеходные зоны: уменьши tai_thr (например, 0.45), чтобы подавить больше дублирующихся появлений; увеличь track_buffer для более длительных окклюзий.
• Быстрое движение камеры: оставь gmc_method: sparseOptFlow включенным.
• Маленькие/быстрые объекты: немного увеличь angle_weight и уменьши min_track_len.
• Включай ReID только при необходимости: это увеличивает затраты на инференс; для коротких перекрытий обычно достаточно стандартной стоимости по нескольким признакам.

Примеры на Python#

Цикл сохранения треков#

Вот пример скрипта на Python с использованием OpenCV (cv2) и YOLO26 для запуска трекинга объектов на кадрах видео. Этот скрипт предполагает, что необходимые пакеты (opencv-python и ultralytics) уже установлены. Аргумент persist=True сообщает трекеру, что текущее изображение или кадр является следующим в последовательности и что нужно ожидать треки с предыдущего изображения в текущем.

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()

Обрати внимание на изменение с model(frame) на model.track(frame), которое включает трекинг объектов вместо простого обнаружения. Этот измененный скрипт запустит трекер на каждом кадре видео, визуализирует результаты и отобразит их в окне. Цикл можно прервать, нажав клавишу 'q'.

Построение графиков треков с течением времени#

Визуализация треков объектов на последовательных кадрах может дать ценную информацию о моделях движения и поведении обнаруженных объектов внутри видео. С Ultralytics YOLO26 построение этих треков — это плавный и эффективный процесс.

В следующем примере мы демонстрируем, как использовать возможности отслеживания YOLO26 для построения движения обнаруженных объектов по нескольким кадрам видео. Этот скрипт включает открытие файла видео, чтение его кадр за кадром и использование модели YOLO для идентификации и отслеживания различных объектов. Сохраняя центральные точки обнаруженных ограничивающих рамок (BBox) и соединяя их, мы можем рисовать линии, представляющие пути, по которым следовали отслеживаемые объекты.

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(list)

# 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()

Многопоточное отслеживание#

Многопоточное отслеживание предоставляет возможность запускать отслеживание объектов на нескольких видеопотоках одновременно. Это особенно полезно при обработке нескольких видеовходов, таких как потоки с нескольких камер наблюдения, где параллельная обработка может значительно повысить эффективность и производительность.

В предоставленном скрипте Python мы используем модуль Python threading для одновременного запуска нескольких экземпляров трекера. Каждый поток отвечает за запуск трекера для одного видеофайла, и все потоки выполняются одновременно в фоновом режиме.

Чтобы каждый поток получал правильные параметры (видеофайл, используемую модель и индекс файла), мы определяем функцию run_tracker_in_thread, которая принимает эти параметры и содержит основной цикл трекинга. Эта функция читает видео покадрово, запускает трекер и выводит результаты.

В этом примере используются две разные модели: yolo26n.pt и yolo26n-seg.pt, каждая из которых отслеживает объекты в своем видеофайле. Видеофайлы указаны в SOURCES.

Параметр daemon=True в threading.Thread означает, что эти потоки будут закрыты сразу после завершения работы основной программы. Затем мы запускаем потоки с помощью start() и используем join(), чтобы заставить главный поток ждать завершения работы обоих потоков трекера.

Наконец, после того как все потоки завершили свою задачу, окна с результатами закрываются с помощью cv2.destroyAllWindows().

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()

Этот пример можно легко расширить для обработки большего количества видеофайлов и моделей путем создания большего числа потоков и применения той же методологии.

Добавляй новые трекеры#

У тебя есть опыт в многообъектном трекинге, и ты успешно реализовал или адаптировал алгоритм трекинга с помощью Ultralytics YOLO? Мы приглашаем тебя внести свой вклад в наш раздел трекеров в ultralytics/cfg/trackers! Твои реальные приложения и решения могут оказаться бесценными для пользователей, работающих над задачами трекинга.

Внося вклад в этот раздел, ты помогаешь расширить спектр решений по отслеживанию, доступных в рамках Ultralytics YOLO, добавляя еще один уровень функциональности и полезности для сообщества.

Чтобы начать внесение вклада, ознакомься с нашим Руководством по участию для получения подробных инструкций по отправке Pull Request (PR) 🛠️. Мы с нетерпением ждем твоих предложений!

Давай вместе улучшим возможности отслеживания экосистемы Ultralytics YOLO 🙏!

FAQ#

Что такое многообъектное отслеживание и как Ultralytics YOLO его поддерживает?#

Многообъектный трекинг в видеоаналитике включает как обнаружение объектов, так и сохранение уникального ID для каждого обнаруженного объекта на разных кадрах видео. Ultralytics YOLO поддерживает это, обеспечивая трекинг в реальном времени наряду с идентификаторами объектов, что облегчает такие задачи, как охранное видеонаблюдение и спортивная аналитика. Система использует такие трекеры, как BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT, FastTracker и TrackTrack, которые можно настраивать с помощью файлов YAML.

Могу ли я сохранить трекер внутри файла модели YOLO?#

Нет. Стандартные файлы Ultralytics .pt хранят веса модели YOLO, в то время как трекер создается во время инференса с помощью model.track(). ID треков зависят от состояния трекера на последовательных кадрах, поэтому одно отдельное изображение может возвращать результаты обнаружения, такие как боксы, классы и уверенность, но само по себе оно не может создавать полезные постоянные ID трекинга.

Для развертывания упакуй детектор и трекер вместе в своем приложении и вызывай model.track() покадрово с помощью persist=True, когда кадры поступают из одного видеопотока. Используй отдельные экземпляры модели или трекера для несвязанных потоков, чтобы состояние не переносилось между видео.

Как настроить пользовательский трекер для Ultralytics YOLO?#

Ты можешь настроить пользовательский трекер, скопировав существующий файл конфигурации трекера (например, custom_tracker.yaml) из каталога конфигураций трекеров Ultralytics и изменив параметры по мере необходимости, за исключением tracker_type. Используй этот файл в своей модели трекинга следующим образом:

from ultralytics import YOLO

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

Как я могу запустить отслеживание объектов на нескольких видеопотоках одновременно?#

Для одновременного запуска трекинга объектов на нескольких видеопотоках ты можешь использовать модуль Python threading. Каждый поток будет обрабатывать отдельный видеопоток. Вот пример того, как это настроить:

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()

Каковы реальные применения многообъектного отслеживания с помощью Ultralytics YOLO?#

Многообъектное отслеживание с помощью Ultralytics YOLO имеет множество применений, включая:

• Транспорт: отслеживание транспортных средств для управления дорожным движением и автономного вождения.
• Розничная торговля: отслеживание людей для внутримагазинной аналитики и безопасности.
• Аквакультура: отслеживание рыб для мониторинга водной среды.
• Спортивная аналитика: отслеживание игроков и оборудования для анализа производительности.
• Системы безопасности: мониторинг подозрительной активности и создание охранных сигнализаций.

Эти приложения выигрывают от способности Ultralytics YOLO обрабатывать видео с высокой частотой кадров в реальном времени с исключительной точностью.

Как я могу визуализировать треки объектов по нескольким кадрам видео с помощью Ultralytics YOLO?#

Чтобы визуализировать треки объектов по нескольким кадрам видео, ты можешь использовать функции отслеживания модели YOLO вместе с OpenCV для отрисовки путей обнаруженных объектов. Вот пример скрипта, который демонстрирует это:

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(list)

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()

Этот скрипт построит линии отслеживания, показывающие пути движения отслеживаемых объектов с течением времени, предоставляя ценную информацию о поведении и закономерностях объектов.