功能 简介
YOLOv5 DeepSORT：实现行人/车辆检测、计数、跟踪、测距和测速
随着计算机视觉和深度学习技术的迅猛发展，目标检测、目标跟踪与计数等技术在智能交通、智能监控等领域发挥着重要作用。YOLOv5是一种快速、准确的目标检测算法，而DeepSORT是目标跟踪算法中的经典方法，结合二者可以实现对行人和车辆的检测、计数、跟踪、测距和测速，为智能交通管理和智能监控系统提供了强大的支持。
2. YOLOv5 DeepSORT技术原理
2.1 YOLOv5目标检测
YOLOv5是一种基于深度学习的目标检测算法，它采用单阶段检测的方式，在保持高精度的同时实现了更快的推理速度。YOLOv5通过卷积神经网络对图像进行特征提取，并利用anchor boxes来预测物体的位置和类别，其高效的设计使得它适用于实时目标检测任务。
2.2 DeepSORT目标跟踪
DeepSORT是一种多目标跟踪算法，它结合了深度学习的目标检测和传统的多目标跟踪方法，可以对视频序列中的目标进行持续跟踪。DeepSORT利用卡尔曼滤波器对目标轨迹进行预测和更新，并结合外观描述子对不同帧中的目标进行关联，从而实现目标的持续跟踪。
2.3 YOLOv5 DeepSORT整合
将YOLOv5的目标检测结果输入到DeepSORT中，可以实现对行人和车辆的跟踪，同时可以根据目标的运动轨迹对其进行计数、测距和测速。这样的整合可以在智能交通管理系统和智能监控系统中提供更全面、精准的目标信息。
3. 应用场景
3.1 智能交通管理
在城市交通管理中，利用YOLOv5 DeepSORT可以实时监测道路上的行人和车辆情况，对交通流量进行统计和分析，实现智能交通信号控制和拥堵预警。
3.2 智能监控系统
在安防监控领域，结合YOLOv5 DeepSORT可以实现对监控区域内的异常行为检测、人员计数和车辆追踪，提高监控效率和准确性。
3.3 智能工厂和物流管理
在工业自动化和物流管理中，利用YOLOv5 DeepSORT可以对生产线上的物体进行实时监测与跟踪，提高生产效率和物流管理水平。
4. 技术挑战与发展趋势
4.1 技术挑战
整合YOLOv5和DeepSORT要解决数据传输、算法整合、性能优化等方面的技术挑战，如如何快速高效地将目标检测结果输入到目标跟踪算法中进行处理，如何在保证准确性的前提下提高系统的实时性。
4.2 发展趋势
未来，基于YOLOv5和DeepSORT的目标检测与跟踪技术将更加智能化和多样化，如结合语义分割进一步提高检测准确性，结合3D视觉技术实现目标的三维跟踪，以及结合强化学习等技术实现对目标行为的预测与分析。
具体代码实现
YOLOv5 DeepSORT技术的应用将为智能交通管理、智能监控系统等领域带来更加智能、高效的解决方案，为人们的生活和工作提供更多便利与安全。随着技术的不断发展与完善，我们有理由相信，基于YOLOv5 DeepSORT的目标检测与跟踪技术将广泛应用于更多领域，并取得更大的突破与创新。
- 实现了局域的出/入 分别计数。
- 显示检测类别，ID数量。
- 默认是 南/北 方向检测，若要检测不同位置和方向，需要加以修改
- 可在 count_car/traffic.py 点击运行
- 默认检测类别：行人、自行车、小汽车、摩托车、公交车、卡车、船。
- 检测类别可在 objdetector.py 文件修改。
代码运行
$ git clone 追踪代码
因此repo包含weights及mp4等文件，若 git clone 速度慢，可直接下载zip
blog.csdnimg.cn/de311b07251a4d408d59f0487a41ae44.png)
进入目录
$ cd unbox_yolov5_deepsort_counting
创建 python 虚拟环境
$ python3 -m venv venv
激活虚拟环境
$ source venv/bin/activate
升级pip
$ python -m pip install --upgrade pip
安装pytorch
根据你的操作系统、安装工具以及CUDA版本，在 https://pytorch.org/get-started/locally/ 找到对应的安装命令。我的环境是 ubuntu 18.04.5、pip、CUDA 11.0。
安装软件包
$ pip install -r requirements.txt
在 demo.py 文件中，设置要检测的视频文件路径，默认为 './video/test.mp4'
capture = cv2.VideoCapture(‘./video/test.mp4’)
运行程序
python count.py
demo代码
detector = Detector() # 打开视频 capture = cv2.VideoCapture(VIDEO_PATH) while True: # 读取每帧图片 _, im = capture.read() if im is None: break # 缩小尺寸 im = cv2.resize(im, (width//2, height//2)) list_bboxs = [] # 更新跟踪器 output_image_frame, list_bboxs = objtracker.update(detector, im) # 输出图片 output_image_frame = cv2.add(output_image_frame, color_polygons_image) if len(list_bboxs) > 0: # ----------------------判断撞线---------------------- for item_bbox in list_bboxs: x1, y1, x2, y2, _, track_id = item_bbox # 撞线检测点，(x1，y1)，y方向偏移比例 0.0~1.0 y1_offset = int(y1 + ((y2 - y1) * 0.6)) # 撞线的点 y = y1_offset x = x1 if polygon_mask_blue_and_yellow[y, x] == 1: # 如果撞 蓝polygon if track_id not in list_overlapping_blue_polygon: list_overlapping_blue_polygon.append(track_id) # 判断 黄polygon list里是否有此 track_id # 有此track_id，则认为是 UP (上行)方向 if track_id in list_overlapping_yellow_polygon: # 上行+1 up_count += 1 print('up count:', up_count, ', up id:', list_overlapping_yellow_polygon) # 删除 黄polygon list 中的此id list_overlapping_yellow_polygon.remove(track_id) elif polygon_mask_blue_and_yellow[y, x] == 2: # 如果撞 黄polygon if track_id not in list_overlapping_yellow_polygon: list_overlapping_yellow_polygon.append(track_id) # 判断 蓝polygon list 里是否有此 track_id # 有此 track_id，则 认为是 DOWN（下行）方向 if track_id in list_overlapping_blue_polygon: # 下行+1 down_count += 1 print('down count:', down_count, ', down id:', list_overlapping_blue_polygon) # 删除 蓝polygon list 中的此id list_overlapping_blue_polygon.remove(track_id) # ----------------------清除无用id---------------------- list_overlapping_all = list_overlapping_yellow_polygon + list_overlapping_blue_polygon for id1 in list_overlapping_all: is_found = False for _, _, _, _, _, bbox_id in list_bboxs: if bbox_id == id1: is_found = True if not is_found: # 如果没找到，删除id if id1 in list_overlapping_yellow_polygon: list_overlapping_yellow_polygon.remove(id1) if id1 in list_overlapping_blue_polygon: list_overlapping_blue_polygon.remove(id1) list_overlapping_all.clear() # 清空list list_bboxs.clear() else: # 如果图像中没有任何的bbox，则清空list list_overlapping_blue_polygon.clear() list_overlapping_yellow_polygon.clear() # 输出计数信息 text_draw = 'DOWN: ' + str(down_count) + \ ' , UP: ' + str(up_count) output_image_frame = cv2.putText(img=output_image_frame, text=text_draw, org=draw_text_postion, fontFace=font_draw_number, fontScale=0.75, color=(0, 0, 255), thickness=2) cv2.imshow('Counting Demo', output_image_frame) cv2.waitKey(1) capture.release() cv2.destroyAllWindows()
结果展示
各种追踪 测距 姿态估计 目标检测 计数 测速功能已实现，欢迎交流！
更多项目详见主页！
