[C++]使用yolov5的onnx模型结合opencv和bytetrack实现目标追踪

【算法介绍】

基于C++的YOLOv5、ONNXRuntime和ByteTrack目标追踪实现是一种高效的目标追踪解决方案。YOLOv5是YOLO系列算法的比较出色版本，以其出色的目标检测性能和实时性著称。ONNXRuntime是微软开发的高性能推理引擎，支持多种框架生成的ONNX格式模型，能够实现高效的模型推理。ByteTrack则是一种基于轨迹匹配的目标追踪方法，利用目标的运动信息和外观特征进行追踪，具有强大的鲁棒性和适应性。

在C++环境中，首先通过YOLOv5进行目标检测，生成目标的初始位置和运动轨迹。然后，ByteTrack利用这些信息对目标进行精确追踪。ONNXRuntime作为推理引擎，负责加载和运行YOLOv5的ONNX模型，实现高效的目标检测。

这种结合方式既发挥了YOLOv5的高检测精度，又利用了ByteTrack的高追踪精度，使得整体目标追踪效果显著提升。同时，C++的高效性能也使得该方案在实时性方面表现出色。

总的来说，基于C++的YOLOv5、ONNXRuntime和ByteTrack目标追踪实现是一种高效、准确且实时的目标追踪解决方案，适用于各种复杂场景下的目标追踪任务。

【效果展示】

【实现部分代码】

#include <iostream>
#include <opencv2/opencv.hpp>

#include "cmdline.h"
#include "utils.h"
#include "detector.h"


int main(int argc, char* argv[])
{
    const float confThreshold = 0.3f;
    const float iouThreshold = 0.4f;

   
    bool isGPU =false;
    const std::string classNamesPath = "C:\\Users\\Administrator\\Desktop\\yolov5-onnxruntime-bytetrack-cplus\\weights\\coco.names";
    const std::vector<std::string> classNames = utils_yolo::loadNames(classNamesPath);
    const std::string modelPath = "C:\\Users\\Administrator\\Desktop\\yolov5-onnxruntime-bytetrack-cplus\\weights\\yolov5s.onnx";

    if (classNames.empty())
    {
        std::cerr << "Error: Empty class names file." << std::endl;
        return -1;
    }

    YOLODetector detector {nullptr};
    detector = YOLODetector(modelPath, isGPU, cv::Size(640, 640));
        std::cout << "Model was initialized." << std::endl;
    std::vector<Object> result;
	cv::VideoCapture cap("D:\\car.mp4");
	int img_w = cap.get(CAP_PROP_FRAME_WIDTH);
	int img_h = cap.get(CAP_PROP_FRAME_HEIGHT);
	int fps = cap.get(CAP_PROP_FPS);
	long nFrame = static_cast<long>(cap.get(CAP_PROP_FRAME_COUNT));
	if (!cap.isOpened())
	{
		std::cout << "open capture failured!" << std::endl;
		return -1;
	}
	Mat frame;
	BYTETracker tracker(fps, 30);
	int num_frames = 0;
	int keyvalue = 0;
    int total_ms = 1;
	while (true)
	{
		cap.read(frame);
		if (frame.empty())
		{
			std::cout << "read to end" << std::endl;
			break;
		}
		num_frames++;
		auto start = chrono::system_clock::now();
		result.clear();
		result = detector.detect(frame, confThreshold, iouThreshold);
       vector<STrack> output_stracks = tracker.update(result);
		auto end = chrono::system_clock::now();
		total_ms = total_ms + chrono::duration_cast<chrono::microseconds>(end - start).count();
		for (int i = 0; i < output_stracks.size(); i++)
		{
			vector<float> tlwh = output_stracks[i].tlwh;
			bool vertical = tlwh[2] / tlwh[3] > 1.6;
			if (tlwh[2] * tlwh[3] > 20 && !vertical)
			{
				Scalar s = tracker.get_color(output_stracks[i].track_id);
				putText(frame, format("%d", output_stracks[i].track_id), Point(tlwh[0], tlwh[1] - 5),
						0, 0.6, Scalar(0, 0, 255), 2, LINE_AA);
				rectangle(frame, Rect(tlwh[0], tlwh[1], tlwh[2], tlwh[3]), s, 2);
			}
		}
		putText(frame, format("frame: %d fps: %d num: %d", num_frames, num_frames * 1000000 / total_ms, (int)output_stracks.size()),
				Point(0, 30), 0, 0.6, Scalar(0, 0, 255), 2, LINE_AA);

		imshow("demo", frame);
		keyvalue = waitKey(1);
		if (keyvalue == 113 || keyvalue == 81)
		{
			break;
		}

	}
	cap.release();


    return 0;
}

【视频演示】

基于C++使用yolov5的onnx模型结合opencv和bytetrack实现目标追踪_哔哩哔哩_bilibili【测试环境】 opencv==4.8.0onnxruntime==1.16.3vs2019cmake==3.24.3 代码地址：gitee.com/FIRC/firc-projects, 视频播放量 1、弹幕量 0、点赞数 0、投硬币枚数 0、收藏人数 0、转发人数 0, 视频作者 未来自主研究中心, 作者简介 未来自主研究中心，相关视频：C++使用yolov11的onnx模型结合opencv和bytetrack实现目标追踪，基于opencvC++版本yolov8-onnx和bytetrack追踪算法实现目标追踪，使用python部署yolov10的onnx模型，C#使用onnxruntime部署yolov11-onnx实例分割模型，使用C#调用libotrch-yolov5模型实现全网最快winform目标检测，使用C++部署yolov8的onnx和bytetrack实现目标追踪，基于C#实现winform版yolov8-onnx+bytetrack目标追踪的算法结果演示，C++使用纯opencv部署yolov11-seg实例分割onnx模型，yolo11+deepsort+pyqt5实现目标追踪结果演示，使用纯opencv部署yolov5目标检测模型onnxhttps://www.bilibili.com/video/BV1LnD3YdEMj/

【测试环境】
 opencv==4.8.0

onnxruntime==1.16.3

vs2019

cmake==3.24.3 

【源码下载】

download.youkuaiyun.com/download/2403_88102872/89960704