计算机视觉——基于YOLOv8 BotSort 与 ByteTrack实现目标追踪的对比

最新推荐文章于 2025-04-15 21:33:35 发布

原创最新推荐文章于 2025-04-15 21:33:35 发布 · 2.1k 阅读

62 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #深度学习 #人工智能 #YOLO #YOLOv8 #目标检测 #目标追踪

YOLO 专栏收录该内容

44 篇文章

订阅专栏

概述

计算机视觉领域正在迅速发展，不仅影响现实世界中的挑战，还推动了人工智能其他领域（如自然语言处理）的进步。随着计算机视觉中不断涌现的新概念，当解决现实问题时，持续的目标跟踪几乎变得至关重要。

Ultralytics YOLOv8 目标跟踪器（BotSort 与 ByteTrack）对比

目标跟踪是计算机视觉的一个基本方面，涉及在视频序列中持续识别和监控目标。它确保即使在外观和条件发生变化的情况下，也能持续跟踪目标的轨迹。各种算法，包括卡尔曼滤波器和深度学习方法，都被用于提高准确性。

一. ByteTrack 和 BotSort 与 Ultralytics YOLOv8 的使用

流行的目标跟踪算法包括 ByteTrack 和 BotSort，而 DeepSORT 在各种场景中表现出色。Ultralytics YOLOv8 提供了全面的目标跟踪功能，包括目标检测、目标分割和姿态估计等任务，所有这些都可以通过几行代码实现。

注意：请使用以下命令安装 Ultralytics 包。

pip install ultralytics

1.1 BotSort

你可以使用以下代码将 BotSort 与 YOLOv8 结合使用。通过命令行界面中的单行命令，可以轻松执行带有 BotSort 的目标跟踪。

yolo track model="path/to/best.pt" source="path/to/video.mp4"

为了绘制每个目标的跟踪线，可以使用以下代码。

import cv2
import numpy as np
from pathlib import Path
from ultralytics import YOLO
from collections import defaultdict
from ultralytics.utils.plotting import Annotator

track_history = defaultdict(lambda: [])

model = YOLO("yolov8n.pt")
names = model.model.names
video_path = "path/to/video.mp4"
if not Path(video_path).exists():
    raise FileNotFoundError(f"Source path "                            
                            f"'{video_path}' "                            
                            f"does not exist.")

cap = cv2.VideoCapture(video_path)
while cap.isOpened():
    success, frame = cap.read()
    if success:
        results = model.track(frame, persist=True)

        boxes = results[0].boxes.xywh.cpu()
        clss = results[0].boxes.cls.cpu().tolist()
        track_ids = results[0].boxes.id.int().cpu().tolist()

        annotator = Annotator(frame, line_width=2,
                              example=str(names))
        for box, track_id, cls in zip(boxes, track_ids, clss):
            x, y, w, h = box
            x1, y1, x2, y2 = (x - w / 2, y - h / 2,
                              x + w / 2, y + h / 2)
            label = str(names[cls]) + " : " + str(track_id)
            annotator.box_label([x1, y1, x2, y2],
                                label, (218, 100, 255))
            # 绘制跟踪线
            track = track_history[track_id]
            track.append((float(box[0]), float(box[1])))
            if len(track) > 30:
                track.pop(0)

            points = np.hstack(track).astype(np.int32).reshape((-1, 1, 2))
            cv2.polylines(frame, [points], isClosed=False,
                          color=(37, 255, 225), thickness=2)
            # 绘制中心圆
            cv2.circle(frame,
                       (int(track[-1][0]), int(track[-1][1])),
                       5, (235, 219, 11), -1)

        cv2.imshow("YOLOv8 Detection", frame)
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break    
    else:
        break
cap.release()
cv2.destroyAllWindows()

结果如下所示：

使用 Ultralytics YOLOv8 的 BotSort 进行目标跟踪

1.2 ByteTrack

你可以使用以下代码将 ByteTrack 与 YOLOv8 结合使用。

yolo track model=path/to/best.pt tracker="bytetrack.yaml" source=0

为了绘制每个目标的跟踪线，可以使用以下代码。

import cv2
import numpy as np
from pathlib import Path
from ultralytics import YOLO
from collections import defaultdict
from ultralytics.utils.plotting import Annotator

track_history = defaultdict(lambda: [])

model = YOLO("yolov8n.pt")
model.to("cpu")
names = model.model.names
video_path = "G:vidpose.mp4"
if not Path(video_path).exists():
    raise FileNotFoundError(f"Source path "                            
                            f"'{video_path}' "                            
                            f"does not exist.")

cap = cv2.VideoCapture(video_path)
while cap.isOpened():
    success, frame = cap.read()
    if success:
        results = model.track(frame, persist=True,
                              tracker="bytetrack.yaml")

        boxes = results[0].boxes.xywh.cpu()
        clss = results[0].boxes.cls.cpu().tolist()
        track_ids = results[0].boxes.id.int().cpu().tolist()

        annotator = Annotator(frame, line_width=2,
                              example=str(names))
        for box, track_id, cls in zip(boxes, track_ids, clss):
            x, y, w, h = box
            x1, y1, x2, y2 = (x - w / 2, y - h / 2,
                              x + w / 2, y + h / 2)
            label = str(names[cls]) + " : " + str(track_id)
            annotator.box_label([x1, y1, x2, y2],
                                label, (218, 100, 255))
            # 绘制跟踪线
            track = track_history[track_id]
            track.append((float(box[0]), float(box[1])))
            if len(track) > 30:
                track.pop(0)

            points = np.hstack(track).astype(np.int32).reshape((-1, 1, 2))
            cv2.polylines(frame, [points], isClosed=False,
                          color=(37, 255, 225), thickness=2)
            # 绘制中心圆
            cv2.circle(frame,
                       (int(track[-1][0]), int(track[-1][1])),
                       5, (235, 219, 11), -1)

        cv2.imshow("YOLOv8 Detection", frame)
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break    
    else:
        break
cap.release()
cv2.destroyAllWindows()