【yolov5+deepsort+tensorRT+QT+opencv临时启动内置跟踪器c++部署jetson-nx】

最新推荐文章于 2025-02-25 12:56:26 发布
最新推荐文章于 2025-02-25 12:56:26 发布
阅读量4.1k 收藏 8
点赞数 2
文章标签： opencv qt c++ 目标跟踪
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_44003832/article/details/122585715
版权

【yolov5+deepsort+tensorRT+QT+opencv临时启动内置跟踪器c++部署jetson-nx】

【yolov5+deepsort+tensorRT+QT+opencv临时启动内置跟踪器c++部署jetson-nx】

前言

第一篇博客，可能格式不会太规范，就是记录一下。现在工作主要是cv算法部署英伟达开发板加算法开发，由于工作需求做了一个界面，在基于deepsort的基础上加入了临时绘制跟踪目标的功能，并行运行kcf跟踪，update失败后自动删除，可以实时显示坐标，具有把位置信息传送到下位机的功能，主要是跟着以下两位大佬的项目做的：

https://github.com/RichardoMrMu/yolov5-deepsort-tensorrt
https://github.com/wang-xinyu/tensorrtx/

环境的话上两篇博客中都有，qt使用的是qt creator，我是在终端直接编译的，参照下边这篇博客改了一下cmakelists，

https://blog.youkuaiyun.com/qq_42823342/article/details/120799577

具体在我的github上有，也是摸着石头过桥。。地址：
https://github.com/zhouwer/tracker

界面大概就这样，yolov5训练的数据有点少。。可能不太准。。在这里插入图片描述
在这里插入图片描述在这里插入图片描述

YOLOv5原理与代码实例讲解
AI天才研究院
08-20 448
YOLOv5原理与代码实例讲解 作者：禅与计算机程序设计艺术 1.背景介绍 1.1 目标检测概述 1.1.1 目标检测的定义与挑战 1
AI+纺织：基于视觉的布料缺陷检测系统
最新发布
AI天才研究院
04-13 870
纺织行业作为传统制造业的重要组成部分，布料生产过程中的质量控制一直是关键环节。传统的人工检测方法存在效率低、成本高、主观性强等缺点。本文旨在探讨如何利用计算机视觉和深度学习技术构建自动化布料缺陷检测系统，提高检测效率和准确性。机织物（平纹、斜纹、缎纹）针织物（经编、纬编）非织造布复合材料织物第2章介绍核心概念和技术架构第3章深入讲解核心算法原理第4章建立数学模型第5章通过项目实战演示系统实现第6-10章探讨应用场景、工具资源和未来趋势。
YoloV5+DeepSort+TensorRT 目标检测、跟踪
热门推荐
旋律信的博客
06-09 3万+
介绍 项目通过 YOLOv5 和 DeepSORT 来实现了目标检测、跟踪算法，其中基于TensorRTX 实现了模型从 PyTorch 到 TensorRT 转换，进一步将代码部署 NVIDIA Jetson Xavier NX 中。 项目在 NVIDIA Jetson Xavier NX 和 X86 平台 都可以正常运行。 环境依赖 the X86 architecture: Ubuntu20.04 or 18.04 with CUDA 10.0 and cuDNN 7.6.5 the embedde
YOLOv5_DeepSORT_TensorRT 项目使用教程
gitblog_00878的博客
08-20 378
YOLOv5_DeepSORT_TensorRT 项目使用教程 yolov5_deepsort_tensorrtThis repo uses YOLOv5 and DeepSORT to implement object tracking algorithm. Also using TensorRTX to transform model to engine, and deploying all...
【openCV-59】sort和deepsort
m0_69378371的博客
02-25 650
和DeepSORT是两种常用的多目标跟踪（MOT）算法，它们都基于目标检测框，通过关联检测框来维持物体的身份一致性，实现实时目标跟踪。SORT 是一个简单而高效的在线实时跟踪算法，而 DeepSORT 是其扩展，加入了基于深度学习的外观特征，提高了在复杂场景中的跟踪性能，尤其是在处理目标遮挡、相似物体和外观变化时。
yolov5-deepsort:yolov5检测+深度排序跟踪
04-22
基于 yolo5+deep_sort 的物体计数以及密度估计 deepsort 输入增加了类别，输出了增加了类别和速度 deepsort IOU替换成为DIOU 密度估计是检测的后处理，简单的涂色+高斯模糊实现的demo 效果展示： 原版yolov5参考
yolov5+deepsort+tensorrt教程整理
lxx191079173的博客
03-23 1993
一、yolov5_v5.0 Jetson 系列——基于yolov5和deepsort的多目标头部识别，跟踪，使用tensorrt和c++加速 遇到的错误：最后一步./yolosort报错 yolov5_trt_create ... terminate called after throwing an instance of 'std::bad_alloc' what():...
YOLOv5-DeepSORT-TensorRT 项目使用教程
gitblog_00596的博客
08-09 743
YOLOv5-DeepSORT-TensorRT 项目使用教程 yolov5-deepsort-tensorrtA c++ implementation of yolov5 and deepsort项目地址:https://gitcode.com/gh_mirrors/yo/yolov5-deepsort-tensorrt 1. 项目的目录结构及介绍 yolov5-deepsort-tensor...
"SSD + SORT" 实现单目标跟踪
Qing__Ting的博客
05-29 3513
这是我的本科毕设主题，导师对我论文工作的肯定让我鼓足勇气回首这一年来的努力和收获，使得我的第一篇博客没有成为最后一篇。 在我看来，我的本科专业与计算机视觉领域没有任何关系，没有编程和数学基础，只学过 Matlab 和 C 的一点皮毛课程，因此这方面的学习使我万分痛苦。但幸运地是，真的没有白学的知识，就这样简单一点对语言的学习就让我对 Python 的语法不那么陌生。 从来没有想到能走到最后结题这一步，但事实如此，这让云里雾里的我有种不真实的感觉。
带你玩转Jetson之Deepstream简明教程（四）DeepstreamApp如何使用以及用于工程验证。
王向阳的博客
02-14 5674
Deepstream简明教程
openCV和python基于dlib库实现眨眼/睁闭眼检测--亲测高效
05-24
在本文中，我们将深入探讨如何使用OpenCV和Python结合dlib库来实现高效的眨眼和睁闭眼检测。这个解决方案经过亲测，不仅适用于Windows环境，还能在Mac、Ubuntu以及树莓派这样的嵌入式系统（如Jetson Nano）上顺利...
c++版本的基于Yolov5的deepsort的实现
11-25
c++版本的基于Yolov5的deepsort的实现，直接已经在nx上实现，并且压缩包中包含了转换好的两个tensorrt的模型，及配置好的yolov5的转换过程文件，版本对应，且能够直接运行。
yolov5-deepsort
05-10
yolov5-deepsort
使用tensorrt部署yolov5和deepsort实现行人检测跟踪
02-05
# 使用tensorrt部署yolov5和deepsort实现行人检测跟踪 ## 简介 该仓库使用 **YOLOv5** 和 **DeepSORT** 实现对象跟踪算法。同时使用 **TensorRTX** 将模型转换为引擎，并在NVIDIA Xavier上进一步部署所有代码。 **NVIDIA Jetson Xavier NX** 和 *X86* 架构均可正常工作。 ## 推理 1. 安装依赖项 ```shell pip install -r requirements.txt ``` 2. 运行 ``` python demo_trt.py ```
0830-极智开发-解读拟阵求解任务调度问题及示例代码
02-27
0830_极智开发_解读拟阵求解任务调度问题及示例代码
yolov5-deepsort-tensorrt 项目指南
gitblog_00201的博客
08-09 733
yolov5-deepsort-tensorrt 项目指南 yolov5-deepsort-tensorrtA c++ implementation of yolov5 and deepsort项目地址:https://gitcode.com/gh_mirrors/yo/yolov5-deepsort-tensorrt 1. 项目介绍 yolov5-deepsort-tensorrt 是一个基于...
win10,vs2015深度学习目标检测YOLOV5+deepsort C++多目标跟踪代码实现，源码注释，拿来即用。
帅小帅的博客
12-18 5585
DeepSort纯C++ Yolov5[s,l,m系列]，详细讲解-带注释+附源码 多目标跟踪，用C++实现，部署到Nvidia上，tensorrt加速，最新的yolov5部署，支持s,m,l模型和int8,FP16等选择，而且拿来即用，自己再win10安装上驱动可以立即使用，不用在自己配置，支持答疑 注释：支持原创 视频展示： yolov 一、代码注释详解： ......
在远程服务器平台部署及运行CV项目——基于YOLOv5+deepsort的多人识别项目+TensorRT加速
m0_48365046的博客
03-07 3252
在远程服务器上部署项目并运行 部署的项目是上一个博客中提到的CV项目，上个博客是在Win10上部署，这个博客是在远端服务器上部署。（以后的项目都会要求在服务器上部署，所以要学会部署项目） 再次放上项目链接：Jetson 系列——基于yolov5和deepsort的多目标头部识别，跟踪，使用tensorrt和c++加速 连接到远端服务器 我一开始是在VS上部署的项目，本来是想用VS连接服务器，但是一搜全都是VSCode连接远程服务器的，然后我就查了一下VS和VSCode的区别，然后就选择了用VSCode来连接
深度学习模型试跑(十):yolov5-deepsort-tensorrt(c++,vs2019版)
qq_33642342的博客
09-24 4798
目录前言一.模型解读二.模型训练1.数据收集与转换1.1数据收集1.2数据转换2.配置3.开始训练三.YOLOV5模型转换四.deepsort模型转换五.整体模型运行 前言 最近在做生物图像的相关深度学习任务，感觉所有任务中细胞追踪的应用的难度最高，所以在此记录了一下；在此特别感谢这位大佬博主以及他的博文。 码字不易，求‘一键三连’。 下面是相关的项目链接地址： yolov5: Yolov5_DeepSort_Pytorch: tensorrtx: deepsort_tensorrt: yolov.
qt部署 yolov5
03-24
<think>好的，我现在需要帮助用户了解如何在Qt中集成和部署YOLOv5模型。根据用户提供的引用内容，我需要整理出一个清晰的步骤教程。首先，我应该先确认用户提供的引用内容中的关键信息。 引用[1]提到了在项目根目录下运行`python main.py`来启动QT5界面并加载YOLOv5模型，这说明可能需要通过Python脚本来调用模型，并与Qt界面结合。引用[2]提到在Windows下使用C++ TensorRT部署YOLOv5到Qt，这可能涉及到C++的集成和TensorRT的优化。引用[3]则指出在Qt里运行YOLOv5的Python代码，联合编程，所以可能需要Python和C++的混合使用，比如通过PyQt或者某种接口。 接下来，我需要确定部署的几种常见方式，可能包括直接调用Python代码、使用C++库进行集成，或者使用TensorRT加速。用户的问题是如何在Qt中部署，所以可能需要分情况说明不同的方法。 首先，环境准备应该是共同的步骤，比如安装Qt、Python环境、YOLOv5依赖等。然后，根据不同的部署方式，步骤会有所不同。例如，直接调用Python代码可能相对简单，但性能可能不如C++集成；而使用TensorRT则需要更多的配置，但能提高推理速度。 用户可能需要一个分步骤的教程，涵盖环境准备、模型准备、界面开发、集成方式等。同时，相关问题部分需要生成相关的问题，比如性能优化、不同部署方式的比较、常见错误处理等。 需要注意的是，用户提供的引用中，有的使用了Python直接运行，有的用了C++ TensorRT部署，所以应该分别说明这两种方法。可能需要将教程分为两部分：Python集成和C++ TensorRT集成，并说明各自的优缺点。 在编写步骤时，要确保每个步骤清晰，比如环境安装、模型导出、界面设计、信号槽连接等。同时，代码示例需要符合用户提供的引用中的格式，比如Python代码块和可能的C++代码块。 最后，要检查是否符合系统级指令，比如使用正确的中文，数学公式的格式，以及引用标识的添加。例如，在引用到提供的参考资料时，在步骤末尾添加[^1]、[^2]、[^3]等。 可能还需要考虑用户的实际应用场景，比如是否需要实时检测、硬件资源限制等，从而推荐合适的部署方式。例如，Python集成适合快速原型开发，而C++ TensorRT适合高性能需求。 现在需要将这些思考整理成一个结构化的回答，分步骤讲解，并确保引用正确，同时生成相关问题。</think>### 如何在 Qt 中集成与部署 YOLOv5 模型教程 #### 一、环境准备 1. **安装 Qt 开发环境** 推荐使用 Qt Creator 或 Visual Studio + Qt 插件，并配置好 C++ 或 Python 开发环境。 2. **配置 YOLOv5 依赖** 安装 Python 3.8+、PyTorch、OpenCV 和 `requirements.txt` 中的依赖： ```bash git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt ``` 3. **模型导出** 将训练好的 YOLOv5 模型（`.pt` 文件）转换为 ONNX 或 TorchScript 格式，便于后续部署： ```python python export.py --weights yolov5s.pt --include onnx ``` --- #### 二、Qt 与 YOLOv5 集成方法 ##### 方法 1：Python 直接调用（适合快速验证） 1. **使用 PyQt5 或 PySide6** 在 Qt 界面中通过 Python 脚本调用 YOLOv5 模型： ```python # main.py from PyQt5.QtWidgets import QApplication from yolov5.detect import run class MainWindow(QMainWindow): def detect_image(self, img_path): run(weights="yolov5s.pt", source=img_path) ``` 通过按钮触发检测函数，并在 Qt 界面中显示结果。 2. **多线程处理** 使用 `QThread` 避免界面卡顿： ```python class DetectionThread(QThread): def run(self): run(weights="yolov5s.pt", source="input.jpg") ``` ##### 方法 2：C++ TensorRT 部署（高性能需求） 1. **模型转换** 将 YOLOv5 模型转换为 TensorRT 引擎文件（`.engine`），可使用 `trtexec` 工具： ```bash trtexec --onnx=yolov5s.onnx --saveEngine=yolov5s.engine ``` 2. **C++ 集成** 在 Qt 项目中调用 TensorRT C++ API 加载模型： ```cpp // inference.cpp nvinfer1::IRuntime* runtime = nvinfer1::createInferRuntime(logger); nvinfer1::ICudaEngine* engine = runtime->deserializeCudaEngine(engine_data); ``` 通过 OpenCV 处理图像输入，并实现 Qt 界面与推理逻辑的绑定。 --- #### 三、界面开发 1. **设计 UI** 使用 Qt Designer 创建包含以下控件的界面： - 图像显示区域（`QLabel` 或 `QGraphicsView`） - 文件选择按钮（`QPushButton`） - 检测结果表格（`QTableWidget`） 2. **信号与槽连接** 将按钮点击事件与检测函数绑定： ```cpp connect(ui->btn_detect, &QPushButton::clicked, this, &MainWindow::onDetectClicked); ``` --- #### 四、部署优化建议 - **性能提升**：使用 TensorRT 或 OpenVINO 加速推理，帧率可提升 3-5 倍。 - **内存管理**：在 C++ 中确保显存及时释放，避免内存泄漏。 - **跨平台**：若需支持 Windows/Linux，建议统一使用 CMake 管理项目。 ---
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值