Theo dõi nhiều đối tượng với Ultralytics YOLO#

Theo dõi đối tượng trong lĩnh vực phân tích video là một tác vụ quan trọng không chỉ xác định vị trí và lớp của đối tượng trong khung hình mà còn duy trì một ID duy nhất cho mỗi đối tượng được phát hiện khi video tiến triển. Các ứng dụng là vô hạn—từ giám sát và an ninh đến phân tích thể thao thời gian thực.

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

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

Kết quả đầu ra từ các bộ theo dõi Ultralytics nhất quán với phát hiện đối tượng tiêu chuẩn nhưng có thêm giá trị là các ID đối tượng. Điều này giúp dễ dàng theo dõi đối tượng trong các luồng video và thực hiện phân tích tiếp theo. Dưới đây là lý do tại sao bạn nên cân nhắc sử dụng Ultralytics YOLO cho các nhu cầu theo dõi đối tượng của mình:

• Hiệu quả: Xử lý các luồng video trong thời gian thực mà không làm giảm độ chính xác.
• Tính linh hoạt: Hỗ trợ nhiều thuật toán và cấu hình theo dõi.
• Dễ sử dụng: Các tùy chọn Python API và CLI đơn giản để tích hợp và triển khai nhanh chóng.
• Khả năng tùy chỉnh: Dễ sử dụng với các mô hình YOLO được đào tạo tùy chỉnh, cho phép tích hợp vào các ứng dụng cụ thể theo miền.

Ứng dụng trong thực tế#

Bắt đầu nhanh#

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Default tracker (TrackTrack)
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")

Để chạy trình theo dõi trên các luồng video, hãy sử dụng mô hình Detect, Segment, Pose hoặc OBB đã được huấn luyện như YOLO26n, YOLO26n-seg, YOLO26n-pose hoặc YOLO26n-obb. Bạn có thể huấn luyện các mô hình tùy chỉnh cục bộ hoặc với đào tạo đám mây 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

Trình theo dõi được hỗ trợ#

Ultralytics YOLO đi kèm với sáu trình theo dõi tích hợp sẵn. Kích hoạt một trình theo dõi bằng cách chuyển tệp cấu hình YAML của nó tới đối số tracker.

Nên sử dụng trình theo dõi nào?#

Sử dụng quy trình này để chọn điểm bắt đầu; tracktrack.yaml được sử dụng khi bạn không truyền tracker:

1. Cần đường cơ sở nhanh nhất, đơn giản nhất? → ByteTrack (không có ReID, không bù chuyển động của máy quay, chi phí tối thiểu).
2. Cảnh quay cầm tay, máy bay không người lái hoặc máy quay di chuyển? → BoT-SORT (thêm tính năng bù chuyển động của máy quay và ReID tùy chọn).
3. Chuyển động phi tuyến tính (thể thao, khiêu vũ, rẽ gấp) và không có ReID? → OC-SORT (các hiệu chỉnh hướng tâm quan sát mà không mất chi phí ngoại hình).
4. Cảnh quay di chuyển đông đúc nơi việc hoán đổi ID là vấn đề chính? → Deep OC-SORT hoặc TrackTrack (cả hai đều hỗ trợ khớp ngoại hình tùy chọn; TrackTrack cũng bổ sung kết hợp nhiều dấu hiệu và ngăn chặn trùng lặp ID).
5. Chồng chéo một phần thường xuyên trong thời gian thực, không có ngân sách ReID? → FastTracker (biến thể ByteTrack nhận thức sự che khuất với tính năng quay lại Kalman).

Chuyển đổi trình theo dõi#

Truyền tên tệp cấu hình trình theo dõi tới tracker=. Tất cả mã 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#

Đối số theo dõi#

Cấu hình theo dõi có chung các thuộc tính với chế độ Predict, chẳng hạn như conf, iou và show. Để biết thêm cấu hình, hãy tham khảo trang mô hình 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)

Cấu hình trình theo dõi tùy chỉnh#

Ultralytics cũng cho phép bạn sử dụng một tệp cấu hình trình theo dõi đã chỉnh sửa. Để làm điều này, chỉ cần tạo một bản sao của tệp cấu hình trình theo dõi (ví dụ: custom_tracker.yaml) từ ultralytics/cfg/trackers và sửa đổi bất kỳ cấu hình nào (trừ tracker_type) theo nhu cầu của bạn.

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")

Đối số trình theo dõi được chia sẻ#

Các tham số sau đây là phổ biến đối với hầu hết các tệp YAML của trình theo dõi; không phải mọi tham số đều xuất hiện trong mọi cấu hình:

Đối số dành riêng cho trình theo dõi#

Mỗi thuật toán cung cấp các núm bổ sung ngoài các tham số được chia sẻ. Xem các phần dành riêng cho từng trình theo dõi bên dưới để biết mô tả và lời khuyên điều chỉnh, hoặc tham khảo trực tiếp các tệp cấu hình:

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

Bật Nhận dạng lại (ReID)#

ReID bị vô hiệu hóa theo mặc định để giảm thiểu chi phí. Bật tính năng này bằng cách thiết lập with_reid: True trong tệp cấu hình trình theo dõi.

Tùy chọn mô hình ReID:

• model: auto — Sử dụng các tính năng bộ phát hiện YOLO nguyên bản, thêm chi phí tối thiểu. Lý tưởng khi bạn cần một số ReID mà không bị sụt giảm hiệu suất lớn. Quay lại yolo26n-cls.pt nếu bộ phát hiện không hiển thị các tính năng tương thích.
• Mô hình ReID tùy chỉnh — Trỏ model: tới một điểm kiểm tra .pt hoặc một mô hình embedding đã xuất tương thích, chẳng hạn như .torchscript, .onnx, .engine hoặc một thư mục mô hình OpenVINO. Các mô hình đã xuất được tải thông qua AutoBackend và phải xuất trực tiếp một tensor embedding.

Các bộ mã hóa ONNX sẵn sàng sử dụng được phát hành cho mọi kích thước mô hình. Đặt model: thành một trong các tên này và tệp sẽ được tải xuống tự động lần đầu tiên trình theo dõi chạy (cách thức tương tự như cách lấy trọng số YOLO) — không cần bước xuất 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 có hiệu suất tốt hơn với một mô hình phân loại riêng biệt, hãy xuất nó sang một backend nhanh hơn như 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)

Sau khi xuất, hãy trỏ đến đường dẫn mô hình TensorRT trong cấu hình trình theo dõi của bạn.

Chi tiết trình theo dõi#

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

BoT-SORT#

BoT-SORT (Aharon et al., 2022) mở rộng ByteTrack với tính năng bù chuyển động của máy quay và ReID tùy chọn:

• Bù chuyển động của máy quay (CMC): một biến dạng affine được ước tính mỗi khung hình (luồng quang học thưa thớt theo mặc định; ORB / ECC cũng khả dụng) được áp dụng cho các trạng thái Kalman trước khi khớp IoU.
• ReID tùy chọn: các embedding ngoại hình có thể được hợp nhất vào ma trận chi phí. Tắt theo mặc định; bật bằng with_reid: True.

Tốt nhất cho: theo dõi đa mục đích, đặc biệt là với camera di động. Thêm tính năng ReID chỉ khi các đám đông có ngoại hình giống nhau gây ra hiện tượng hoán đổi ID.

Các tham số dành riêng cho BoT-SORT:

Mẹo tinh chỉnh:

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

ByteTrack#

ByteTrack (Zhang et al., ECCV 2022) là mô hình cơ sở trọng lượng nhẹ. Nó sử dụng kết hợp bộ lọc Kalman tuyến tính và IoU với quy trình liên kết hai giai đoạn:

• Giai đoạn 1: khớp các phát hiện có điểm số cao với các luồng theo dõi đang hoạt động.
• Giai đoạn 2: thử lại các luồng theo dõi chưa khớp với các phát hiện có điểm số thấp để khôi phục qua các khoảng che khuất một phần ngắn.

Không có model diện mạo và không có tính năng bù trừ chuyển động của camera.

Tốt nhất cho: camera tĩnh hoặc gần như tĩnh nơi chi phí của bộ phát hiện chiếm ưu thế và bạn muốn chi phí chung của trình theo dõi ở mức tối thiểu.

Các tham số dành riêng cho ByteTrack: Không có ngoại trừ các tham số trình theo dõi được chia sẻ.

Mẹo tinh chỉnh:

• Bộ phát hiện có nhiễu: giảm track_low_thresh để giai đoạn thứ hai có nhiều ứng cử viên hơn.
• Bộ phát hiện thu hồi cao: tăng track_high_thresh để giảm số lượng ID bị phân mảnh.
• ID nhấp nháy thường xuyên: tăng track_buffer để các luồng theo dõi bị bỏ lỡ trong thời gian ngắn vẫn có thể tồn tại.

OC-SORT#

OC-SORT (Cao et al., CVPR 2023) là phần mở rộng tập trung vào quan sát của SORT. Nó giữ nguyên thiết kế trọng lượng nhẹ của SORT (không có đặc trưng diện mạo) và bổ sung ba hiệu chỉnh:

• Cập nhật lại tập trung vào quan sát (ORU): phát lại một quỹ đạo ảo giữa quan sát cuối cùng và phát hiện hiện tại, chạy lại quá trình cập nhật Kalman để sửa chữa vận tốc bị lệch.
• Động lượng tập trung vào quan sát (OCM): phạt các phát hiện di chuyển theo hướng sai thông qua một số hạn định về tính nhất quán của vận tốc.
• Khôi phục tập trung vào quan sát (OCR): kiểm tra lại các phát hiện chưa khớp với các luồng theo dõi vừa bị mất bằng cách sử dụng quan sát cuối cùng của chúng thay vì trạng thái được dự đoán.

Tốt nhất cho: chuyển động phi tuyến tính mà không tốn chi phí của model ReID.

Các tham số dành riêng cho OC-SORT:

Mẹo tinh chỉnh:

• Chuyển động phi tuyến tính: tăng inertia (ví dụ: 0.3-0.4).
• Phát hiện thưa thớt: bật use_byte: True.
• Che khuất kéo dài: tăng track_buffer để OCR có nhiều luồng theo dõi bị mất hơn để liên kết lại.

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

Deep OC-SORT#

Deep OC-SORT bổ sung cho OC-SORT thông tin diện mạo và tính năng bù trừ chuyển động của camera:

• Khớp diện mạo: khoảng cách nhúng cosine được giới hạn bởi độ chồng lấp và kết hợp với chi phí chuyển động.
• EMA diện mạo động: các phần nhúng của luồng theo dõi được cập nhật với EMA có hệ số làm mượt thích ứng với độ tin cậy của phát hiện.
• Bù trừ chuyển động của camera: Các trạng thái Kalman được biến đổi từ khung hình này sang khung hình khác thông qua quang lưu thưa thớt, ORB hoặc ECC.

Tốt nhất cho: các cảnh đông đúc hoặc có camera di động, nơi hiện tượng hoán đổi ID giữa các đối tượng có hình ảnh khác nhau nhưng ở gần nhau về mặt không gian là phổ biến.

Các tham số dành riêng cho Deep OC-SORT:

Mẹo tinh chỉnh:

• Hoán đổi danh tính trong đám đông: tăng appearance_thresh (ví dụ: 0.92-0.95) và tăng alpha_fixed_emb để các phần nhúng thích ứng chậm hơn.
• Camera di động: đặt gmc_method: sparseOptFlow (Deep OC-SORT mặc định là none).
• Độ trễ thấp hơn: giữ nguyên with_reid: False (mặc định) chỉ cho chuyển động + CMC; chỉ bật ReID khi hiện tượng hoán đổi ID chi phối các lỗi.

FastTracker#

FastTracker là một biến thể của ByteTrack nhận biết hiện tượng che khuất và không có model diện mạo:

• Phát hiện che khuất: đánh dấu các luồng theo dõi bị che khuất khi mức độ che phủ bởi các luồng theo dõi hoạt động khác vượt quá occ_cover_thresh.
• Khôi phục Kalman khi bị che khuất: cuộn trạng thái Kalman quay lại khung hình trước khi bị che khuất bằng lịch sử đệm vòng.
• Làm giảm chuyển động và mở rộng tìm kiếm: vận tốc bị làm giảm và hộp giới hạn dự đoán được phóng to trong khi bị che khuất.
• Loại bỏ Init-IoU: ngăn chặn các luồng theo dõi mới xuất hiện chồng lên các luồng theo dõi đang hoạt động.

Tốt nhất cho: các đường ống chỉ phát hiện thời gian thực với hiện tượng chồng lấp mục tiêu trên mục tiêu thường xuyên (đám đông, hàng đợi, thể thao).

Các tham số dành riêng cho FastTracker:

Mẹo tinh chỉnh:

• Che khuất một phần thường xuyên: giảm occ_cover_thresh (ví dụ: 0.5-0.6).
• ID trùng lặp xung quanh vùng chồng lấp: giảm init_iou_suppress (ví dụ: 0.5).
• Che khuất kéo dài: tăng đồng thời occ_reappear_window và track_buffer.
• Mục tiêu di chuyển nhanh: tăng dampen_motion_occ (gần với 1.0); chỉ tăng enlarge_bbox_occ khi vùng tìm kiếm rộng hơn cải thiện khả năng khôi phục.

TrackTrack#

TrackTrack (Shim et al., CVPR 2025) là trình theo dõi mặc định. Nó suy luận từ góc nhìn của từng luồng theo dõi bằng liên kết lặp lại đa tín hiệu:

• Liên kết dựa trên góc nhìn luồng theo dõi (TPA): kết hợp HMIoU, khoảng cách ReID cosine tùy chọn, khoảng cách chiếu độ tin cậy và khoảng cách góc góc. Việc gán được giải quyết lặp đi lặp lại với ngưỡng nới lỏng.
• Khởi tạo nhận biết luồng theo dõi (TAI): ngăn chặn các bản sao xuất hiện trước khi một ID mới được tạo.

Tốt nhất cho: các cảnh đông đúc có hiện tượng che khuất thường xuyên, nơi các ID trùng lặp là một vấn đề.

Các tham số dành riêng cho TrackTrack:

Mẹo tinh chỉnh:

• Người đi bộ đông đúc: giảm tai_thr (ví dụ: 0.45) để ngăn chặn thêm các bản sao xuất hiện; tăng track_buffer cho thời gian che khuất lâu hơn.
• Camera chuyển động nhanh: giữ nguyên gmc_method: sparseOptFlow được bật.
• Đối tượng nhỏ/nhanh: tăng nhẹ angle_weight và giảm min_track_len.
• Chỉ bật ReID khi cần thiết: nó làm tăng chi phí suy luận; đối với các khoảng che khuất ngắn, chi phí đa tín hiệu mặc định thường là đủ.

Với các model Segment và Pose, TrackTrack bỏ qua việc khôi phục phát hiện NMS lỏng để các mặt nạ và điểm đặc trưng vẫn giữ được sự căn chỉnh với các phát hiện của chúng.

Ví dụ bằng Python#

Vòng lặp duy trì các luồng theo dõi#

Dưới đây là một tập lệnh Python sử dụng OpenCV (cv2) và YOLO26 để chạy theo dõi đối tượng trên các khung hình video. Tập lệnh này giả định rằng các gói cần thiết (opencv-python và ultralytics) đã được cài đặt. Tham số persist=True thông báo cho trình theo dõi rằng hình ảnh hoặc khung hình hiện tại là tiếp theo trong một chuỗi và mong đợi các luồng theo dõi từ hình ảnh trước đó trong hình ảnh hiện tại.

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()

Xin lưu ý sự thay đổi từ model(frame) thành model.track(frame), cho phép theo dõi đối tượng thay vì chỉ phát hiện đơn thuần. Tập lệnh đã chỉnh sửa này sẽ chạy bộ theo dõi trên từng khung hình của video, trực quan hóa kết quả và hiển thị chúng trong một cửa sổ. Có thể thoát khỏi vòng lặp bằng cách nhấn 'q'.

Vẽ đường đi theo thời gian#

Trực quan hóa các đường đi của đối tượng qua các khung hình liên tiếp có thể cung cấp những thông tin chi tiết có giá trị về mô hình chuyển động và hành vi của các đối tượng được phát hiện trong video. Với Ultralytics YOLO26, việc vẽ các đường đi này là một quy trình liền mạch và hiệu quả.

Trong ví dụ sau, chúng tôi minh họa cách tận dụng các tính năng theo dõi của YOLO26 để vẽ đường đi của các đối tượng được phát hiện qua nhiều khung hình video. Tập lệnh này liên quan đến việc mở một tệp video, đọc tệp theo từng khung hình và sử dụng model YOLO để xác định và theo dõi các đối tượng khác nhau. Bằng cách giữ lại các điểm trung tâm của các hộp giới hạn được phát hiện và nối chúng lại, chúng ta có thể vẽ các đường biểu thị các đường đi mà các đối tượng được theo dõi đã đi qua.

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()

Theo dõi đa luồng#

Theo dõi đa luồng cung cấp khả năng chạy theo dõi đối tượng trên nhiều luồng video cùng một lúc. Tính năng này đặc biệt hữu ích khi xử lý nhiều đầu vào video, chẳng hạn như từ nhiều camera giám sát, nơi quá trình xử lý đồng thời có thể nâng cao đáng kể hiệu quả và hiệu suất.

Trong tập lệnh Python được cung cấp, chúng tôi sử dụng mô-đun threading của Python để chạy đồng thời nhiều phiên bản của bộ theo dõi. Mỗi luồng chịu trách nhiệm chạy bộ theo dõi trên một tệp video và tất cả các luồng chạy đồng thời trong nền.

Để đảm bảo mỗi luồng nhận được các tham số chính xác (tệp video, model cần sử dụng và chỉ mục tệp), chúng tôi xác định một hàm run_tracker_in_thread chấp nhận các tham số này và chứa vòng lặp theo dõi chính. Hàm này đọc video theo từng khung hình, chạy bộ theo dõi và hiển thị kết quả.

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

Tham số daemon=True trong threading.Thread có nghĩa là các luồng này sẽ bị đóng ngay khi chương trình chính kết thúc. Sau đó, chúng tôi khởi động các luồng bằng start() và sử dụng join() để làm cho luồng chính chờ cho đến khi cả hai luồng bộ theo dõi hoàn tất.

Cuối cùng, sau khi tất cả các luồng đã hoàn thành tác vụ của mình, các cửa sổ hiển thị kết quả sẽ được đóng lại bằng 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): 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

# 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()

Ví dụ này có thể dễ dàng mở rộng để xử lý nhiều tệp video và model hơn bằng cách tạo thêm các luồng và áp dụng cùng một phương pháp.

Đóng góp Bộ theo dõi Mới#

Bạn thành thạo về theo dõi đa đối tượng và đã triển khai hoặc điều chỉnh thành công một thuật toán theo dõi với Ultralytics YOLO? Chúng tôi mời bạn đóng góp vào phần Bộ theo dõi của chúng tôi trong ultralytics/cfg/trackers! Các ứng dụng và giải pháp thực tế của bạn có thể vô cùng quý giá đối với người dùng đang làm việc với các tác vụ theo dõi.

Bằng cách đóng góp vào phần này, bạn giúp mở rộng phạm vi của các giải pháp theo dõi có sẵn trong framework Ultralytics YOLO, bổ sung thêm một lớp tính năng và tiện ích cho cộng đồng.

Để bắt đầu đóng góp của bạn, vui lòng tham khảo Hướng dẫn Đóng góp của chúng tôi để biết các hướng dẫn toàn diện về cách gửi Pull Request (PR) 🛠️. Chúng tôi rất hào hứng muốn xem những gì bạn mang lại!

Cùng nhau, hãy nâng cao khả năng theo dõi của hệ sinh thái Ultralytics YOLO 🙏!

FAQ#