Theo dõi nhiều đối tượng bằng Ultralytics YOLO#

Theo dõi đối tượng trong lĩnh vực phân tích video là một tác vụ thiết yếu, không chỉ xác định vị trí và lớp của đối tượng trong khung hình mà còn duy trì ID duy nhất cho từng đối tượng được phát hiện khi video tiếp diễn. Ứng dụng của tác vụ này rất đa dạng, từ giám sát và an ninh đến phân tích thể thao theo thời gian thực.

Xem bản xem trước YOLO27 chưa phát hành để biết về hỗ trợ theo dõi dự kiến.

Tại sao nên chọn Ultralytics YOLO để theo dõi đối tượng?#

Đầu ra từ các tracker của Ultralytics nhất quán với phát hiện đối tượng tiêu chuẩn nhưng được bổ sung ID đối tượng. Nhờ đó, việc theo dõi đối tượng trong luồng video và thực hiện phân tích tiếp theo trở nên dễ dàng. Sau đây là những lý do bạn nên cân nhắc sử dụng Ultralytics YOLO cho nhu cầu theo dõi đối tượng:

• Hiệu quả: Xử lý luồng video theo thời gian thực mà không ảnh hưởng đến độ chính xác.
• Linh hoạt: Hỗ trợ nhiều thuật toán và cấu hình theo dõi.
• Dễ sử dụng: API Python và các tùy chọn CLI đơn giản giúp tích hợp và triển khai nhanh chóng.
• Khả năng tùy chỉnh: Dễ sử dụng với các model YOLO được huấn luyện tùy chỉnh, cho phép tích hợp vào các ứng dụng chuyên biệt theo lĩnh vực.

Ứng dụng thực tế#

Bắt đầu nhanh#

Chạy theo dõi trên video bằng tracker TrackTrack mặc định. Chuyển sang tracker khác bằng cách thay đổi đối số tracker.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Tracker mặc định (TrackTrack)
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)

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

Để chạy tracker trên luồng video, hãy dùng model Detect, Segment, Pose hoặc OBB đã huấn luyện, chẳng hạn YOLO26n, YOLO26n-seg, YOLO26n-pose hoặc YOLO26n-obb. Bạn có thể huấn luyện model tùy chỉnh cục bộ hoặc bằng dịch vụ huấn luyện đám mây Ultralytics Platform.

from ultralytics import YOLO

# Nạp model chính thức hoặc model tùy chỉnh
model = YOLO("yolo26n.pt")  # Nạp model Detect chính thức
model = YOLO("yolo26n-seg.pt")  # Nạp model Segment chính thức
model = YOLO("yolo26n-pose.pt")  # Nạp model Pose chính thức
model = YOLO("path/to/best.pt")  # Nạp model được huấn luyện tùy chỉnh

# Thực hiện theo dõi bằng model
results = model.track("https://youtu.be/LNwODJXcvt4", show=True)  # Theo dõi bằng tracker mặc định
results = model.track("https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")  # bằng ByteTrack

Các tracker được hỗ trợ#

Ultralytics YOLO đi kèm sáu tracker tích hợp sẵn. Bật một tracker bằng cách truyền tệp cấu hình YAML của tracker đó vào đối số tracker.

Nên dùng tracker nào?#

Dùng sơ đồ này để chọn điểm bắt đầu; tracktrack.yaml được sử dụng khi bạn không truyền tracker:

1. Cần baseline nhanh nhất, đơn giản nhất? → ByteTrack (không ReID, không bù chuyển động camera, chi phí xử lý tối thiểu).
2. Video quay bằng tay, drone hoặc camera chuyển động? → BoT-SORT (bổ sung bù chuyển động camera và ReID tùy chọn).
3. Chuyển động phi tuyến (thể thao, khiêu vũ, đổi hướng đột ngột) và không dùng ReID? → OC-SORT (hiệu chỉnh lấy quan sát làm trung tâm mà không tốn chi phí xử lý ngoại hình).
4. Cảnh đông người, camera chuyển động, trong đó nhầm lẫn ID là vấn đề chính? → Deep OC-SORT hoặc TrackTrack (cả hai đều hỗ trợ so khớp ngoại hình tùy chọn; TrackTrack còn bổ sung liên kết đa tín hiệu và loại bỏ ID trùng lặp).
5. Thường xuyên chồng lấp một phần trong thời gian thực, không có ngân sách cho ReID? → FastTracker (biến thể ByteTrack nhận biết che khuất, có khả năng quay lui Kalman).

Chuyển đổi tracker#

Truyền tên tệp cấu hình tracker vào tracker=. Các phần code khác giữ nguyên.

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")

Cấu hình#

Các đối số theo dõi#

Cấu hình theo dõi dùng chung một số thuộc tính với chế độ Predict, chẳng hạn conf, iou và show. Để xem thêm cấu hình, hãy tham khảo trang model Predict.

from ultralytics import YOLO

# Cấu hình các tham số theo dõi và chạy tracker
model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.7, show=True)

Cấu hình tracker tùy chỉnh#

Ultralytics cũng cho phép bạn sử dụng tệp cấu hình tracker đã chỉnh sửa. Để thực hiện, chỉ cần sao chép tệp cấu hình tracker (ví dụ: custom_tracker.yaml) từ ultralytics/cfg/trackers rồi sửa đổi các cấu hình (ngoại trừ tracker_type) theo nhu cầu.

from ultralytics import YOLO

# Nạp model và chạy tracker bằng tệp cấu hình tùy chỉnh
model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", tracker="custom_tracker.yaml")

Các đối số dùng chung của tracker#

Các tham số sau đây phổ biến trong hầu hết tệp YAML của tracker; không phải tham số nào cũng có trong mọi cấu hình:

Các tham số riêng của tracker#

Mỗi thuật toán cung cấp thêm các tùy chọn bên cạnh những tham số dùng chung. Xem phần riêng của từng tracker bên dưới để biết mô tả và hướng dẫn tinh chỉnh, hoặc tham khảo trực tiếp các file cấu hình:

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

Bật Re-Identification (ReID)#

ReID mặc định bị tắt để giảm thiểu overhead. Bật bằng cách đặt with_reid: True trong file cấu hình tracker.

Các tùy chọn model ReID:

• model: auto — Sử dụng đặc trưng detector YOLO gốc, chỉ thêm overhead tối thiểu. Phù hợp khi cần một mức ReID nhất định mà không ảnh hưởng nhiều đến hiệu năng. Chuyển sang yolo26n-cls.pt nếu detector không cung cấp các đặc trưng tương thích.
• Model ReID tùy chỉnh — Trỏ model: đến checkpoint .pt hoặc model embedding đã export tương thích, chẳng hạn .torchscript, .onnx, .engine hoặc thư mục model OpenVINO. Model đã export được tải thông qua AutoBackend và phải xuất trực tiếp tensor embedding.

Encoder ONNX sẵn sàng sử dụng được phát hành cho mọi kích thước model. Đặt model: thành một trong các tên này để file tự động được tải xuống khi tracker chạy lần đầu (tương tự cách tải trọng số YOLO) — không cần export hoặc tải xuống thủ công:

# 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

Để tăng hiệu năng khi dùng model phân loại riêng, hãy export model sang backend nhanh hơn như TensorRT:

from torch import nn

from ultralytics import YOLO

# Tải model phân loại
model = YOLO("yolo26n-cls.pt")

# Thêm lớp average pooling
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 sang TensorRT
model.export(format="engine", quantize=16, dynamic=True, batch=32)

Sau khi export, trỏ đến đường dẫn model TensorRT trong cấu hình tracker.

Chi tiết về tracker#

Các phần bên dưới mô tả thiết kế, tham số cụ thể và mẹo tinh chỉnh cho từng tracker.

BoT-SORT#

BoT-SORT (Aharon và cộng sự, 2022) mở rộng ByteTrack bằng cách bổ sung bù chuyển động camera và ReID tùy chọn:

• Bù chuyển động camera (CMC): áp dụng phép biến đổi affine ước lượng ở mỗi frame (mặc định dùng sparse optical flow; cũng có ORB / ECC) cho các trạng thái Kalman trước khi ghép IoU.
• ReID tùy chọn: có thể kết hợp embedding ngoại hình vào ma trận chi phí. Mặc định bị tắt; bật bằng with_reid: True.

Phù hợp nhất với: tracking đa dụng, đặc biệt là khi camera di chuyển. Chỉ thêm ReID khi đám đông có ngoại hình tương tự gây ra hiện tượng đổi ID.

Các tham số riêng của BoT-SORT:

Mẹo tinh chỉnh:

• Camera tĩnh: đặt gmc_method: none để tiết kiệm vài ms/frame.
• Camera chuyển động mạnh: giữ sparseOptFlow; ecc chính xác hơn nhưng chậm hơn.
• Đám đông có ngoại hình tương tự: bật with_reid: True và tăng appearance_thresh (ví dụ: 0.85+).

ByteTrack#

ByteTrack (Zhang và cộng sự, ECCV 2022) là baseline gọn nhẹ. Thuật toán sử dụng Kalman tuyến tính + IoU với quy trình liên kết hai giai đoạn:

• Giai đoạn 1: ghép các detection có điểm số cao với các track đang hoạt động.
• Giai đoạn 2: thử ghép lại các track chưa được ghép với detection có điểm số thấp để khôi phục qua những lần che khuất một phần trong thời gian ngắn.

Không có model ngoại hình và không có chức năng bù chuyển động camera.

Phù hợp nhất với: camera tĩnh hoặc gần như tĩnh, nơi chi phí detector chiếm phần lớn và bạn muốn giảm overhead của tracker xuống mức tối thiểu.

Các tham số riêng của ByteTrack: Không có tham số nào ngoài các tham số tracker dùng chung.

Mẹo tinh chỉnh:

• Detector nhiễu: giảm track_low_thresh để giai đoạn hai có thêm ứng viên.
• Detector có recall cao: tăng track_high_thresh để giảm ID bị phân mảnh.
• ID thường xuyên chập chờn: tăng track_buffer để các track bị bỏ lỡ trong thời gian ngắn vẫn được giữ lại.

OC-SORT#

OC-SORT (Cao và cộng sự, CVPR 2023) là phiên bản mở rộng của SORT lấy quan sát làm trung tâm. Thuật toán giữ nguyên thiết kế gọn nhẹ của SORT (không dùng đặc trưng ngoại hình) và bổ sung ba hiệu chỉnh:

• Cập nhật lại lấy quan sát làm trung tâm (ORU): phát lại quỹ đạo ảo giữa quan sát cuối cùng và detection hiện tại, chạy lại bước cập nhật Kalman để hiệu chỉnh vận tốc bị lệch.
• Động lượng lấy quan sát làm trung tâm (OCM): phạt các detection di chuyển sai hướng thông qua thành phần chi phí nhất quán vận tốc.
• Khôi phục lấy quan sát làm trung tâm (OCR): kiểm tra lại các detection chưa được ghép với các track vừa bị mất, sử dụng quan sát cuối cùng thay vì trạng thái dự đoán.

Phù hợp nhất với: chuyển động phi tuyến mà không phải chịu chi phí của model ReID.

Các tham số riêng của OC-SORT:

Mẹo tinh chỉnh:

• Chuyển động phi tuyến: tăng inertia (ví dụ: 0.3-0.4).
• Detection thưa: bật use_byte: True.
• Che khuất kéo dài: tăng track_buffer để OCR có thêm track bị mất để liên kết lại.

Với model OBB, OCR sử dụng BBox có hướng do Kalman dự đoán vì lịch sử quan sát cuối cùng có hướng không được lưu giữ.

Deep OC-SORT#

Deep OC-SORT bổ sung thông tin ngoại hình và bù chuyển động camera cho OC-SORT:

• Ghép ngoại hình: khoảng cách embedding cosine được giới hạn theo độ chồng lấp và kết hợp với chi phí chuyển động.
• EMA ngoại hình động: embedding của track được cập nhật bằng EMA với hệ số làm mượt thích ứng theo độ tin cậy của detection.
• Bù chuyển động camera: các trạng thái Kalman được biến đổi giữa các frame thông qua sparse optical flow, ORB hoặc ECC.

Phù hợp nhất với: cảnh đông người hoặc camera di chuyển, nơi thường xảy ra đổi ID giữa các đối tượng có ngoại hình khác nhau nhưng ở gần nhau về mặt không gian.

Các tham số riêng của Deep OC-SORT:

Mẹo tinh chỉnh:

• Đổi ID trong đám đông: tăng appearance_thresh (ví dụ: 0.92-0.95) và tăng alpha_fixed_emb để embedding thích ứng chậm hơn.
• Camera di chuyển: đặt gmc_method: sparseOptFlow (Deep OC-SORT mặc định dùng none).
• Giảm độ trễ: giữ with_reid: False (mặc định) để chỉ dùng chuyển động + CMC; chỉ bật ReID khi lỗi chủ yếu do đổi ID.

FastTracker#

FastTracker là biến thể ByteTrack có nhận biết che khuất, không dùng model ngoại hình:

• Phát hiện che khuất: đánh dấu track bị che khuất khi tỷ lệ bị các track đang hoạt động khác che phủ vượt quá occ_cover_thresh.
• Khôi phục Kalman khi bị che khuất: khôi phục trạng thái Kalman về một frame trước khi bị che khuất bằng lịch sử được lưu trong ring buffer.
• Giảm chấn chuyển động và mở rộng vùng tìm kiếm: vận tốc được giảm chấn và bbox dự đoán được phóng to khi bị che khuất.
• Chặn khởi tạo theo IoU: ngăn track mới được tạo chồng lên các track đang hoạt động.

Phù hợp nhất với: pipeline detection thời gian thực có các mục tiêu thường xuyên chồng lấp nhau (đám đông, hàng chờ, thể thao).

Các tham số dành riêng cho FastTracker:

Mẹo tinh chỉnh:

• Thường xuyên bị che khuất một phần: giảm occ_cover_thresh (ví dụ: 0.5-0.6).
• ID trùng lặp quanh vùng chồng lấp: giảm init_iou_suppress (ví dụ: 0.5).
• Bị che khuất lâu: tăng đồng thời occ_reappear_window và track_buffer.
• Đối tượng di chuyển nhanh: tăng dampen_motion_occ (tiến gần hơn đến 1.0); chỉ tăng enlarge_bbox_occ khi vùng tìm kiếm rộng hơn giúp cải thiện khả năng khôi phục.

TrackTrack#

TrackTrack (Shim et al., CVPR 2025) là tracker mặc định. TrackTrack suy luận từ góc nhìn của từng track bằng phương pháp liên kết lặp đa tín hiệu:

• Liên kết dựa trên góc nhìn của track (TPA): kết hợp HMIoU, khoảng cách cosine ReID tùy chọn, khoảng cách chiếu độ tin cậy và khoảng cách góc ở các góc hộp. Việc gán được giải bằng cách lặp lại với ngưỡng nới lỏng dần.
• Khởi tạo nhận biết track (TAI): loại bỏ các track mới được tạo trùng lặp trước khi tạo ID mới.

Phù hợp nhất với: cảnh đông người thường xuyên bị che khuất, nơi ID trùng lặp là vấn đề.

Các tham số dành riêng cho TrackTrack:

Mẹo tinh chỉnh:

• Người đi bộ trong cảnh đông đúc: giảm tai_thr (ví dụ: 0.45) để loại bỏ thêm các track mới trùng lặp; tăng track_buffer để xử lý tình trạng che khuất lâu hơn.
• Chuyển động camera nhanh: giữ gmc_method: sparseOptFlow ở trạng thái bật.
• Đối tượng nhỏ/nhanh: tăng nhẹ angle_weight và giảm min_track_len.
• Chỉ bật ReID khi cần: ReID làm tăng chi phí suy luận; với các trường hợp bị che khuất trong thời gian ngắn, chi phí đa tín hiệu mặc định thường là đủ.

Với các model Segment và Pose, TrackTrack bỏ qua bước khôi phục detection bằng loose-NMS để đảm bảo mask và keypoint vẫn khớp với detection tương ứng.

Ví dụ Python#

Vòng lặp duy trì track#

Sau đây là một script Python sử dụng OpenCV (cv2) và YOLO26 để theo dõi đối tượng trên các frame video. Script này giả định các package cần thiết (opencv-python và ultralytics) đã được cài đặt. Tham số persist=True cho tracker biết ảnh hoặc frame hiện tại là frame tiếp theo trong một chuỗi và cần tìm các track từ ảnh trước đó trong ảnh hiện tại.

import cv2

from ultralytics import YOLO

# Tải model YOLO26
model = YOLO("yolo26n.pt")

# # Mở tệp video
video_path = "path/to/video.mp4"
cap = cv2.VideoCapture(video_path)

# # Lặp qua các frame video
while cap.isOpened():
    # # Đọc một frame từ video
    success, frame = cap.read()

    if success:
        # Chạy tracking YOLO26 trên frame, duy trì track giữa các frame
        # và sử dụng backend tracker BoT-SORT
        results = model.track(frame, persist=True, tracker="botsort.yaml")

        # # Trực quan hóa kết quả trên frame
        annotated_frame = results[0].plot()

        # # Hiển thị frame đã chú thích
        cv2.imshow("YOLO26 Tracking", annotated_frame)

        # # Thoát vòng lặp nếu nhấn 'q'
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # # Thoát vòng lặp nếu đã đến cuối video
        break

# # Giải phóng đối tượng capture video và đóng cửa sổ hiển thị
cap.release()
cv2.destroyAllWindows()

Lưu ý thay đổi từ model(frame) sang model.track(frame), giúp bật tracking đối tượng thay vì chỉ detection. Script đã sửa đổi này sẽ chạy tracker trên từng frame video, trực quan hóa kết quả và hiển thị kết quả trong một cửa sổ. Có thể thoát vòng lặp bằng cách nhấn 'q'.

Vẽ track theo thời gian#

Trực quan hóa track của đối tượng qua các frame liên tiếp có thể cung cấp thông tin hữu ích về kiểu chuyển động và hành vi của các đối tượng được phát hiện trong video. Với Ultralytics YOLO26, việc vẽ các track này diễn ra liền mạch và hiệu quả.

Trong ví dụ sau, chúng tôi trình bày cách sử dụng khả năng tracking của YOLO26 để vẽ chuyển động của các đối tượng được phát hiện qua nhiều frame video. Script này mở một tệp video, đọc từng frame và sử dụng model YOLO để nhận diện cũng như theo dõi nhiều đối tượng. Bằng cách lưu lại tâm của các bounding box được phát hiện rồi nối các tâm đó, chúng ta có thể vẽ các đường biểu thị quỹ đạo của những đối tượng được theo dõi.

from collections import defaultdict

import cv2
import numpy as np

from ultralytics import YOLO

# Tải model YOLO26
model = YOLO("yolo26n.pt")

# # Mở tệp video
video_path = "path/to/video.mp4"
cap = cv2.VideoCapture(video_path)

# Lưu lịch sử track
track_history = defaultdict(list)

# # Lặp qua các frame video
while cap.isOpened():
    # # Đọc một frame từ video
    success, frame = cap.read()

    if success:
        # Chạy tracking YOLO26 trên frame, duy trì track giữa các frame
        result = model.track(frame, persist=True)[0]

        # Lấy các box và ID track
        if result.boxes and result.boxes.is_track:
            boxes = result.boxes.xywh.cpu()
            track_ids = result.boxes.id.int().cpu().tolist()

            # Trực quan hóa kết quả trên frame
            frame = result.plot()

            # Vẽ các track
            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)))  # tọa độ tâm x, y
                if len(track) > 30:  # giữ lại 30 track trong 30 frame
                    track.pop(0)

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

        # # Hiển thị frame đã chú thích
        cv2.imshow("YOLO26 Tracking", frame)

        # # Thoát vòng lặp nếu nhấn 'q'
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # # Thoát vòng lặp nếu đã đến cuối video
        break

# # Giải phóng đối tượng capture video và đóng cửa sổ hiển thị
cap.release()
cv2.destroyAllWindows()

Tracking đa luồng#

Tracking đa luồng cho phép chạy theo dõi đối tượng đồng thời trên nhiều luồng video. Tính năng này đặc biệt hữu ích khi xử lý nhiều nguồn video, chẳng hạn như từ nhiều camera giám sát, vì xử lý đồng thời có thể cải thiện đáng kể hiệu quả và hiệu năng.

Trong script Python dưới đây, chúng tôi sử dụng module threading của Python để chạy đồng thời nhiều instance của tracker. Mỗi thread chịu trách nhiệm chạy tracker trên một tệp video, và tất cả thread chạy đồng thời ở chế độ nền.

Để đảm bảo mỗi thread nhận đúng tham số (tệp video, model cần dùng và chỉ mục tệp), chúng tôi định nghĩa hàm run_tracker_in_thread nhận các tham số này và chứa vòng lặp tracking chính. Hàm này đọc video theo từng frame, chạy tracker và lưu kết quả đã được chú thích.

Ví dụ này sử dụng hai model khác nhau: yolo26n.pt và yolo26n-seg.pt, mỗi model theo dõi đối tượng trong một tệp video riêng. Các tệp video được chỉ định trong SOURCES.

Tham số daemon=True trong threading.Thread có nghĩa là các thread này sẽ được đóng ngay khi chương trình chính kết thúc. Sau đó, chúng tôi khởi chạy các thread bằng start() và dùng join() để khiến thread chính chờ cho đến khi cả hai thread tracker hoàn tất.

Cuối cùng, sau khi tất cả thread hoàn thành tác vụ, các cửa sổ hiển thị kết quả sẽ được đóng bằng cv2.destroyAllWindows().

import threading

import cv2

from ultralytics import YOLO

# Định nghĩa tên model và nguồn video
MODEL_NAMES = ["yolo26n.pt", "yolo26n-seg.pt"]
SOURCES = ["path/to/video.mp4", "0"]  # video cục bộ, 0 là webcam

def run_tracker_in_thread(model_name, filename):
    """Run YOLO tracker in its own thread for concurrent processing.

    Args:
        model_name (str): Model checkpoint name or path loaded inside the thread.
        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

# Tạo và khởi chạy các thread tracker bằng vòng lặp for
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()

# Chờ tất cả thread tracker hoàn tất
for thread in tracker_threads:
    thread.join()

# Dọn dẹp và đóng các cửa sổ
cv2.destroyAllWindows()

Có thể dễ dàng mở rộng ví dụ này để xử lý thêm tệp video và model bằng cách tạo thêm thread và áp dụng cùng phương pháp.

Đóng góp tracker mới#

Bạn có chuyên môn về tracking nhiều đối tượng và đã triển khai hoặc điều chỉnh thành công một thuật toán tracking với Ultralytics YOLO? Chúng tôi mời bạn đóng góp cho mục Trackers tại ultralytics/cfg/trackers! Các ứng dụng và giải pháp thực tế của bạn có thể vô cùng hữu ích cho người dùng thực hiện các tác vụ tracking.

Bằng cách đóng góp cho mục này, bạn giúp mở rộng phạm vi các giải pháp tracking hiện có trong framework Ultralytics YOLO, bổ sung thêm chức năng và tiện ích cho cộng đồng.

Để bắt đầu đóng góp, vui lòng tham khảo Hướng dẫn đóng góp để xem hướng dẫn chi tiết về cách gửi Pull Request (PR) 🛠️. Chúng tôi rất mong chờ những đóng góp của bạn!

Cùng nhau nâng cao khả năng tracking của hệ sinh thái Ultralytics YOLO 🙏!

Câu hỏi thường gặp#