使用 Ultralytics YOLO26 进行 TrackZone#
什么是 TrackZone？#
TrackZone 专注于监控帧中指定区域内的物体，而不是整个画面。它基于 Ultralytics YOLO26 构建，将目标检测和跟踪专门应用于视频和实时摄像头画面中的区域。YOLO26 的先进算法和深度学习技术使其成为实时应用场景的理想选择，能够在群体监控和安防等应用中精准、高效地跟踪物体。
观看： 如何使用 Ultralytics YOLO26 跟踪区域内的目标 | TrackZone 🚀
区域内目标跟踪（TrackZone）的优势#
- 针对性分析：在特定区域内跟踪物体，可以获得更有针对性的洞察，从而精准监控和分析感兴趣的区域，例如入口或限制区域。
- 减少下游工作量：TrackZone 会忽略区域外的物体并移除无关检测结果，因此你在其上构建的逻辑需要计数、记录或发出警报的物体更少。检测仍会在完整尺寸的掩码帧上运行，而不是对区域进行紧密裁剪，因此它带来的好处是输出更整洁、更聚焦，而不是模型推理速度更快。
- 提升安全性：区域跟踪通过监控关键区域改善安防监控，有助于及早发现异常活动或安全漏洞。
- 可扩展的解决方案：TrackZone 能够聚焦特定区域，因此可适用于各种场景，从零售空间到工业环境，确保无缝集成和扩展。
实际应用#
| 农业 | 交通运输 |
|---|---|
 |  |
| 使用 Ultralytics YOLO26 跟踪田间植物 | 使用 Ultralytics YOLO26 跟踪道路上的车辆 |
使用 Ultralytics YOLO 进行 TrackZone
# Run a trackzone example
yolo solutions trackzone show=True
# Pass a source video
yolo solutions trackzone source="path/to/video.mp4" show=True
# Pass region coordinates
yolo solutions trackzone show=True region="[(150, 150), (1130, 150), (1130, 570), (150, 570)]"TrackZone 依赖 region 列表来确定要监控帧中的哪个部分。定义多边形，使其与要关注的实际区域（门、闸口等）相符，并在配置时保持 show=True 启用，以便确认叠加层与视频画面对齐。
定义跟踪区域
region中的每个条目都是视频帧中的一个(x, y)像素坐标。请按照你希望连接区域边界各点的顺序列出这些点。- 坐标取决于帧分辨率，因此为 1280×720 画面设置的区域无法与 640×480 画面对齐。配置时请保持
show=True，以便确认叠加层与画面对齐。 TrackZone会将这些点简化为其凸包，因此凹形会被简化为包含所有点的最小凸多边形。对于非凸形状或多个独立区域，请改用 RegionCounter 解决方案。- 如果完全省略
region，则会使用默认区域[(75, 75), (565, 75), (565, 285), (75, 285)]。
TrackZone 参数#
下面是 TrackZone 参数表：
| 参数 | 类型 | 默认值 | 说明 |
|---|---|---|---|
model | str | None | Ultralytics YOLO 模型文件的路径。 |
region | list 或 dict | None | 定义感兴趣区域的点，可以是 (x, y) 元组列表，也可以是将区域名称映射到点列表的字典（仅支持多个 RegionCounter 区域）。如果为 None，则需要区域的解决方案会退回到预定义的默认区域。 |
line_width | int | 2 | 解决方案绘制的框、关键点和计数的线条粗细。 |
verbose | bool | True | 启用逐帧日志，记录输入形状、类别计数和处理速度。跟踪调用本身始终不会输出日志。 |
TrackZone 解决方案支持 track 参数：
| 参数 | 类型 | 默认值 | 说明 |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | 指定要使用的跟踪算法。内置选项：botsort.yaml、bytetrack.yaml、ocsort.yaml、deepocsort.yaml、fasttrack.yaml、tracktrack.yaml。 |
conf | float | 0.25 | 设置检测的置信度阈值；较低的值允许跟踪更多物体，但可能会包含误检。 |
iou | float | 0.7 | 设置用于筛除重叠检测结果的交并比 (IoU) 阈值。 |
classes | list | None | 按类别索引筛选结果。例如，classes=[0, 2, 3] 只跟踪指定类别。 |
device | str | None | 指定推理设备（例如 cpu、cuda:0 或 0）。用户可以选择 CPU、特定 GPU 或其他计算设备来运行模型。 |
imgsz | int or tuple | 640 | 目标推理图像尺寸：正方形图像使用整数，或使用 (height, width) 对。图像尺寸会调整为模型步幅的整数倍。 |
max_det | int | 300 | 跟踪前每帧保留的最大检测数量，用于限制解决方案在密集场景中处理的物体数量。 |
quantize | int or str | None | 推理精度：对于非 CPU 上运行的 PyTorch 和 TorchScript 模型，使用 16 (FP16) 或 32/unset (FP32) 进行选择；其他格式使用其模型文件和运行时所选的精度。此参数替代已弃用的 half 参数。 |
此外，还提供以下可视化选项：
| 参数 | 类型 | 默认值 | 说明 |
|---|---|---|---|
show | bool | False | 如果 True，则在窗口中显示带标注的图像或视频。适用于在开发或测试期间即时查看结果。 |
show_conf | bool | True | 在每个检测结果的标签旁显示置信度分数，帮助了解模型对该检测结果的确信程度。 |
show_labels | bool | True | 在可视化输出中显示每个检测结果的标签，便于立即了解检测到的对象。 |
统计区域内的物体数量#
每次调用跟踪器都会返回一个 SolutionResults 对象，其 total_tracks 属性保存当前在区域内跟踪的物体数量。请在每一帧读取该属性，以监控实时占用情况，例如记录入口或限制区域的繁忙程度：
import cv2
from ultralytics import solutions
cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"
region_points = [(150, 150), (1130, 150), (1130, 570), (150, 570)]
trackzone = solutions.TrackZone(show=False, region=region_points, model="yolo26n.pt")
while cap.isOpened():
success, im0 = cap.read()
if not success:
break
results = trackzone(im0)
print(f"Objects currently in zone: {results.total_tracks}") # live zone occupancy
cap.release()常见问题#
使用 Ultralytics YOLO26 跟踪视频帧中定义区域内的物体非常简单。只需使用下面提供的命令即可开始跟踪。这种方法可确保分析高效、结果准确，非常适合安防、群体管理或任何需要区域跟踪的场景。
yolo solutions trackzone source="path/to/video.mp4" show=True只需几行代码，你就可以在特定区域内设置目标跟踪，并轻松将其集成到项目中。
import cv2 from ultralytics import solutions cap = cv2.VideoCapture("path/to/video.mp4") assert cap.isOpened(), "Error reading video file" w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS)) video_writer = cv2.VideoWriter("trackzone_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h)) trackzone = solutions.TrackZone( show=True, region=[(150, 150), (1130, 150), (1130, 570), (150, 570)], model="yolo26n.pt" ) while cap.isOpened(): success, im0 = cap.read() if not success: break results = trackzone(im0) video_writer.write(results.plot_im) cap.release() video_writer.release() cv2.destroyAllWindows()使用 Ultralytics TrackZone 配置视频处理区域点既简单又灵活。你可以通过 Python 脚本直接定义和调整区域，从而精准控制要监控的范围。
from ultralytics import solutions # 定义区域点 region_points = [(150, 150), (1130, 150), (1130, 570), (150, 570)] # 初始化 TrackZone trackzone = solutions.TrackZone( show=True, # 显示输出 region=region_points, # 传入区域点 )请记住，
TrackZone会将这些点简化为凸包，因此凹形轮廓会被简化为包含所有点的最小凸多边形。这三种解决方案都支持区域，但它们回答的问题各不相同：
解决方案 适用场景 典型输出 TrackZone 跟踪单个凸区域内的物体并监控实时占用情况 跟踪 ID 和该区域的 total_tracksObjectCounter 统计穿过线条或进出某个区域的物体 累计进出数量 RegionCounter 统计一个或多个任意形状（包括非凸形状）区域内的物体 各区域的物体计数 如果你想在单个区域内持续跟踪，请选择 TrackZone；如果需要多个区域或非凸形状，请选择 RegionCounter。