Link to this section多目标跟踪数据集概览#

多目标跟踪是视频分析中的关键组件，用于识别物体并在视频帧中为每个检测到的物体维护唯一的 ID。Ultralytics YOLO 提供了强大的跟踪功能，可应用于视频监控、体育分析和交通监控等各种领域。

Link to this section数据集格式（即将推出）#

Ultralytics 跟踪目前复用检测、分割或姿态模型，无需进行特定于跟踪器的训练。原生跟踪器训练支持正在积极开发中。

Link to this section可用跟踪器#

Ultralytics YOLO 支持以下跟踪算法：

• BoT-SORT - 使用 botsort.yaml 启用此跟踪器（默认）
• ByteTrack - 使用 bytetrack.yaml 启用此跟踪器
• OC-SORT - 使用 ocsort.yaml 启用此跟踪器
• Deep OC-SORT - 使用 deepocsort.yaml 启用此跟踪器
• FastTracker - 使用 fasttrack.yaml 启用此跟踪器
• TrackTrack - 使用 tracktrack.yaml 启用此跟踪器

Link to this section用法#

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 section在帧之间持久化跟踪#

若要在视频帧间进行持续跟踪，你可以使用 persist=True 参数：

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 section常见问题解答#

Link to this section如何使用 Ultralytics YOLO 进行多目标跟踪？#

要使用 Ultralytics YOLO 进行多目标跟踪，你可以从提供的 Python 或 CLI 示例入手。以下是开始的方法：

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)

这些命令会加载 YOLO26 模型，并将其用于在给定视频源中跟踪物体，同时使用特定的置信度 (conf) 和 Intersection over Union (iou) 阈值。更多详细信息，请参阅 跟踪模式文档。

Link to this sectionUltralytics 中针对跟踪器训练的未来功能是什么？#

Ultralytics 正在不断增强其 AI 模型。一项即将推出的功能将支持训练独立跟踪器。在此之前，多目标检测器利用预训练的检测、分割或姿态模型进行跟踪，而无需独立训练。请关注我们的 博客 以获取最新动态。

Link to this section为什么我应该使用 Ultralytics YOLO 进行多目标跟踪？#

Ultralytics YOLO 是一种先进的 object detection 模型，以其实时性能和高 accuracy 而闻名。使用 YOLO 进行多目标跟踪具有以下优势：

• 实时跟踪： 实现高效且高速的跟踪，非常适合动态环境。
• 预训练模型的灵活性： 无需从头开始训练；只需使用预训练的检测、分割或姿态模型即可。
• 易于使用： 通过 Python 和 CLI 实现简单的 API 集成，使设置跟踪流水线变得非常直观。
• 丰富的文档和社区支持： Ultralytics 提供全面的文档和一个活跃的社区论坛，用于解决问题并增强你的跟踪模型。

有关设置和使用 YOLO 进行跟踪的更多详细信息，请访问我们的 跟踪使用指南。

Link to this section我可以使用自定义数据集进行 Ultralytics YOLO 的多目标跟踪吗？#

是的，你可以使用自定义数据集进行 Ultralytics YOLO 的多目标跟踪。虽然支持独立跟踪器训练是一项即将推出的功能，但你现在已经在自定义数据集上使用预训练模型了。请按 YOLO 兼容的适当格式准备你的数据集，并按照文档进行集成。

Link to this section如何解读 Ultralytics YOLO 跟踪模型的结果？#

运行 Ultralytics YOLO 跟踪任务后，结果包含各种数据点，例如跟踪物体的 ID、它们的边界框以及置信度分数。以下是解读这些结果的简要概述：

• 跟踪 ID： 每个物体都会被分配一个唯一 ID，这有助于在不同帧之间对其进行跟踪。
• 边界框： 它们指示了跟踪物体在帧中的位置。
• 置信度分数： 它们反映了模型对检测到的跟踪物体的置信度。

有关解读和可视化这些结果的详细指南，请参阅 结果处理指南。

Link to this section我该如何自定义跟踪器配置？#

你可以通过创建跟踪器配置文件的修改版本来定制跟踪器。从 ultralytics/cfg/trackers 复制一个现有的跟踪器配置文件，根据需要修改参数，并在运行跟踪器时指定此文件：

from ultralytics import YOLO

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