**这个仓库包含了最先进的多目标追踪器。其中一些基于运动信息，另一些则基于运动和外观描述。对于后者，最先进的ReID模型也会自动下载。目前支持的模型有：DeepOCSORT LightMBN、BoTSORT LightMBN、StrongSORT LightMBN、OCSORT和ByteTrack。
我们提供了如何将这个包与流行的目标检测模型配合使用的示例。目前提供的检测模型有Yolov8和Yolo-NAS，YOLOX即将推出。项目简介**
这个项目实现了一个基于YOLOv8和DeepSort的实时目标检测和追踪系统。它可以在各种场景中检测和追踪多种类型的物体。例如，它可以用于人群监控、车辆检测、动物行为分析等。项目地址为：
YOLOv8简介
YOLOv4是YOLO（You Only Look Once）系列的第四代版本，是一种快速、高精度的实时目标检测算法。YOLOv8相较于之前的版本，在保持低计算量的情况下，实现了更高的检测精度。它采用了一系列优化策略和技巧，如Mish激活函数、CSPNet、Spatial Pyramid Pooling等。
DeepSort简介
DeepSort（Deep Association Metric Learning for Tracking）是一种基于深度学习的多目标跟踪算法。它使用卷积神经网络（CNN）来提取目标的特征，并利用这些特征计算目标之间的距离。然后，它使用匈牙利算法进行数据关联，从而实现高效的目标跟踪。
项目结构
YOLO_Tracking项目的目录结构如下：
这个仓库包含了最先进的多目标追踪器。其中一些基于运动信息，另一些则基于运动和外观描述。对于后者，最先进的ReID模型也会自动下载。目前支持的模型有：DeepOCSORT LightMBN、BoTSORT LightMBN、StrongSORT LightMBN、OCSORT和ByteTrack。
我们提供了如何将这个包与流行的目标检测模型配合使用的示例。目前提供的检测模型有Yolov8和Yolo-NAS，YOLOX即将推出。
根目录/ │ ├── deep_sort_pytorch/ # DeepSort的PyTorch实现 │ ├── yolov8_pytorch/ # YOLOv8的PyTorch实现 │ ├── track.py # 主要的检测和追踪脚本 │ ├── requirements.txt # 项目依赖 │ └── README.md # 项目说明
安装和运行
1.克隆项目：
cd yolo conda create -n yolo python=3.9 ```
2.安装依赖：
pip install -r requirements.txt ```
3.下载预训练的权重文件：
YOLOv4权重：yolov8.weights
DeepSort权重：ckpt.t7
将这两个文件下载到对应的子目录中。
4.运行目标检测和追踪：
python track.py --source_video path/to/your/video --weights_yolo path/to/yolov8.weights --weights_deepsort path/to/ckpt.t7 --output_video path/to/output/video ``` 替换`path/to/your/video`、`path/to/yolov4.weights`、`path/to/ckpt.t7`和`path/to/output/video`为实际路径。
自定义和优化
- 修改检测阈值和追踪阈值：在track.py中，可以设置conf_thres和iou_thres参数来调整检测和追踪的敏感度。
- 选择检测类别：在yolov8_pytorch/detect.py中的detect函数中，可以修改class_whitelist参数来选择感兴趣的目标类别。
- 使用GPU进行加速：在track.py中，可以添加--device参数来指定使用GPU进行计算。
- 训练自己的模型：可以参考YOLOv8和DeepSort的官方实现，训练适用于自己任务的模型，并替换预训练权重。
总之，这个项目提供了一个基于YOLOv8和DeepSort的高效目标检测和追踪系统。用户可以通过修改参数和训练自己的模型来满足不同的应用需求。
