使用 YOLOv8 和 ByteTracker 進行實時人員跟蹤和計數
作者：二旺
通過結合YOLOv8和ByteTracker，您可以有效地在幀之間檢測和跟蹤人員，提供準確的計數和有價值的洞察。
在計算機視覺領域，實時跟蹤和統計人數對于各種應用至關重要，從監控到事件管理。在這篇博客文章中，我們將探討如何利用YOLOv8和ByteTracker實現準確的人數統計。
引言
- YOLOv8（You Only Look Once，第八版）是一種以其速度和準確性而聞名的最新對象檢測模型。
- ByteTracker是一種先進的跟蹤算法，旨在維持對象在幀之間的身份，使其成為執行人數統計等任務的理想選擇。
這種組合不僅允許我們在幀中檢測到人，而且還能夠跟蹤他們在幀之間的移動，為實時人數統計提供了強大的解決方案。
先決條件
在深入實現之前，請確保您具備以下條件：
- Python 3.10
- Ultralytics
設置環境
首先，創建并激活虛擬環境以管理依賴項：
conda create -n person-tracker python==3.10
conda activate person-tracker安裝必要的庫：
pip install ultralytics實現人數統計
(1) 導入庫從導入所需的庫開始：
from ultralytics import YOLO
from datetime import datetime
import os(2) 定義PersonTracker類
創建一個PersonTracker類，該類集成了用于檢測的YOLOv8和用于跟蹤的ByteTracker：
class PersonTracker:
def __init__(self, model_path, result_dir='results/', tracker_config="bytetrack.yaml", conf=0.5, device='cuda:0',
iou=0.5, img_size=(720, 1080)):
self.model = YOLO(model_path)
self.result_dir = result_dir
self.tracker_config = tracker_config
self.conf = conf
self.device = device
self.iou = iou
self.img_size = img_size
def create_result_file(self):
folder_name = datetime.now().strftime("%Y-%m-%d-%H-%M-%S")
result_file_path = os.path.join(self.result_dir, folder_name + ".txt")
os.makedirs(self.result_dir, exist_ok=True)
with open(result_file_path, 'w') as file:
file.write(folder_name + "\n")
return result_file_path
def detect_and_track(self, source, show=True, logger=None):
result_file = self.create_result_file()
person_count = 0
previous_person_count = 0
results = self.model.track(
source, show=show, stream=True, tracker=self.tracker_config, conf=self.conf,
device=self.device, iou=self.iou, stream_buffer=True, classes=[0], imgsz=self.img_size
)
for i, result in enumerate(results):
boxes = result.boxes
try:
id_count = boxes.id.int().tolist()
max_id = max(id_count)
if max_id > person_count:
person_count = max_id
if person_count != previous_person_count:
previous_person_count = person_count
with open(result_file, 'a') as filewrite:
filewrite.write(f"Person count: {person_count}\n")
if logger:
logger.info(f"Person count: {person_count}")
except Exception as e:
pass(3) 運行人員跟蹤器
視頻文件跟蹤：
if __name__ == '__main__':
source = "path/to/your/video.mp4"
tracker = PersonTracker(model_path='path/to/yolov8_model.pt')
tracker.detect_and_track(source=source)網絡攝像頭跟蹤：
if __name__ == '__main__':
source = 0 # Use 0 for the default webcam
tracker = PersonTracker(model_path='path/to/yolov8_model.pt')
tracker.detect_and_track(source=source)RTSP流跟蹤：
if __name__ == '__main__':
source = 'rtsp://username:password@ip_address:port/path'
tracker = PersonTracker(model_path='path/to/yolov8_model.pt')
tracker.detect_and_track(source=source)支持的模型
對于YOLOv8，模型通常根據它們的準確性和速度權衡進行分類。通常支持以下模型：
- YOLOv8n（Nano）：提供高速度和較低的準確性。非常適合處理速度的實時應用
- YOLOv8s（Small）：平衡速度和準確性。適用于許多實際應用。
- YOLOv8m（Medium）：在速度和準確性之間提供良好的權衡。適用于更苛刻的應用。
- YOLOv8l（Large）：高準確性，速度較低。最適合準確性為優先考慮的場景。
結論
通過結合YOLOv8和ByteTracker，您可以有效地在幀之間檢測和跟蹤人員，提供準確的計數和有價值的洞察。這個解決方案可以擴展到需要實時個人監控和分析的各種應用。
參考文獻：
- YOLOv8文檔：https://docs.ultralytics.com/
- ByteTracker論文：https://arxiv.org/abs/2005.03659
- 源碼：https://github.com/ishworrsubedii/person_tracker
責任編輯：趙寧寧
來源：
小白玩轉Python
