Ultralytics YOLO27：

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成部分，可识别对象并在视频帧之间为每个检测到的对象维持唯一 ID。Ultralytics YOLO 提供强大的跟踪功能，可应用于监控、体育分析和交通监测等多个领域。

数据集格式#

跟踪模式不会训练跟踪器，也不要求使用跟踪器专用数据集。使用该任务的标准数据集格式训练检测、分割、姿态或 OBB 模型，然后将生成的权重与 model.track() 或 yolo track 一起使用。选定的跟踪器会在推理时关联模型在不同帧中的预测结果。

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
  • 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（默认）

使用方法#

示例
from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.7, show=True)

在帧之间保持跟踪状态#

如需在视频帧之间进行连续跟踪，可以使用 persist=True 参数：

示例
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()

常见问题#

  • 要使用 Ultralytics YOLO 进行多目标跟踪，你可以先使用提供的 Python 或 CLI 示例。下面介绍如何开始：

    示例
    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，并使用它跟踪给定视频源中的对象，同时采用特定的置信度（conf）和交并比（iou）阈值。有关更多详细信息，请参阅跟踪模式文档。

  • Ultralytics YOLO 是一种先进的目标检测模型，以实时性能和高准确率而闻名。使用 YOLO 进行多目标跟踪具有以下优势：

    • 实时跟踪： 实现高效、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、姿态或 OBB 模型即可。
    • 易于使用： 通过 Python 和 CLI 进行简单的 API 集成，让跟踪流水线的设置变得轻松。
    • 完善的文档和社区支持： Ultralytics 提供全面的文档和活跃的社区论坛，帮助排查问题并改进你的跟踪模型。

    有关使用 YOLO 设置和执行跟踪的更多详细信息，请参阅我们的跟踪使用指南。

  • 可以。在自定义数据集上训练检测、分割、姿态或 OBB 模型，然后将其权重传递给 model.track()。跟踪器本身会在推理期间运行，不需要单独的训练数据。

  • 使用 Ultralytics YOLO 运行跟踪任务后，结果会包含各种数据点，例如被跟踪对象的 ID、其边界框和置信度分数。下面简要介绍如何解读这些结果：

    • 跟踪 ID： 每个对象都会被分配一个唯一 ID，便于在各帧之间跟踪该对象。
    • 边界框： 这些框表示被跟踪对象在帧中的位置。
    • 置信度分数： 这些分数反映模型对检测到被跟踪对象的信心。

    有关解读和可视化这些结果的详细指导，请参阅结果处理指南。

  • 你可以创建跟踪器配置文件的修改版本来自定义跟踪器。从ultralytics/cfg/trackers复制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该文件：

    from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.track(source="video.mp4", tracker="custom_tracker.yaml")
贡献者
GLglenn-jocher14RAraimbekovm2MImiles-deans-ultralytics1ONonuralpszr1PDpderrenger1MAMatthewNoyce1AMambitious-octopus1

评论