01：YOLOv8 + DeepSort 车辆跟踪
该项目利用YOLOv8作为目标检测模型，DeepSort用于多目标跟踪。YOLOv8负责从视频帧中检测出车辆的位置，而DeepSort则负责关联这些检测结果，从而实现车辆的持续跟踪。这种组合使得系统能够在视频流中准确地识别并跟随特定车辆。
02：YOLOv8 + DeepSort 车辆跟踪 + 任意绘制进出线
在此基础上增加了用户界面功能，允许用户在视频监控区域内自由绘制进出线。当被跟踪的车辆穿过这些线时，系统会记录事件，例如记录车辆进入或离开某个区域的时间。这对于交通流量管理和安全监控很有帮助。
03：YOLOv8 + DeepSort 车辆跟踪 + 测速
系统增加了测速功能，通过计算车辆在两帧或多帧图像之间的位移来估计其速度。一旦检测到车辆超速，系统将触发报警机制。这项功能对于交通安全监控尤为重要。
04：YOLOv8 + DeepSort 车辆跟踪 + 测速 + 任意绘制进出线
结合了测速和任意绘制进出线的功能，不仅能够跟踪车辆并测量其速度，还能在用户定义的进出线上记录车辆的速度和通行时间。这对于交通管理和执法活动非常有用。
05：YOLOv8 + DeepSort 车辆跟踪 + 禁停区域 + 进出线
增加了禁停区域的检测功能，系统能够识别并标记出不允许停车的区域。当车辆在这些区域内停留时，系统将触发警报。同时，进出线的功能可以帮助监控车辆是否非法进入禁停区。
06：YOLOv8 + DeepSort 车辆跟踪 + 任意绘制禁停区域 + 任意绘制进出线
进一步提升了系统的灵活性，允许用户根据需要自定义禁停区域以及进出线的位置。这种配置可以更好地适应各种应用场景，如临时禁停区域的设置。
07：YOLOv8 + DeepSort 车辆跟踪 + 测速 + 禁停区域 + 进出线
整合了测速、禁停区域和进出线的功能，系统可以在监测车辆速度的同时，防止车辆在不应停车的地方停留，并记录它们的进出情况。这对于交通安全管理非常关键。
08：YOLOv8 + DeepSort 车辆跟踪 + 测速 + 任意绘制禁停区域 + 任意绘制进出线
提供了最大的灵活性，允许用户根据具体的监控需求自由设定禁停区域和进出线的位置。这对于需要高度定制化监控解决方案的应用尤其适用。
09：YOLOv8 + DeepSort 车辆跟踪 + 车道车辆检测
此项目在车辆跟踪的基础上增加了车道检测功能，能够识别道路上的不同车道，并且能够区分各车道上的车辆。这有助于智能交通系统更好地管理交通流量，减少道路拥堵现象。
每个项目都利用了YOLOv8的高效检测能力和DeepSort的跟踪优势，可以根据具体的应用场景和技术要求进行调整和优化。
首先，确保安装了必要的库：
1pip install ultralytics # YOLOv8
2pip install deep_sort_pytorch # DeepSort
基础代码框架
1. 导入必要的库
1import cv2
2from ultralytics import YOLO
3from deep_sort_pytorch.deep_sort import DeepSort
4import numpy as np
2. 初始化YOLOv8模型和DeepSort
1# 加载YOLOv8模型
2model = YOLO('yolov8n.pt') # 或者使用预训练模型路径
3
4# 初始化DeepSort
5deepsort = DeepSort(
6 'osnet_x0_25',
7 max_dist=0.2,
8 max_iou_distance=0.7,
9 max_age=70,
10 n_init=3,
11 nn_budget=100,
12 use_cuda=True
13)
3. 定义处理每一帧的方法
1def process_frame(frame, model, deepsort):
2 # 使用YOLOv8进行目标检测
3 results = model(frame)
4
5 # 获取检测结果
6 boxes = results[0].boxes.cpu().numpy()
7 scores = results[0].scores.cpu().numpy()
8 classes = results[0].names
9
10 # 只保留车辆类别的检测结果
11 vehicle_boxes = []
12 for box, score, class_name in zip(boxes, scores, classes):
13 if class_name in ['car', 'truck', 'bus']: # 根据YOLOv8的类别名称选择
14 vehicle_boxes.append([*box[:4], score])
15
16 # 将检测结果传递给DeepSort进行跟踪
17 outputs = deepsort.update(np.array(vehicle_boxes), frame)
18
19 # 绘制跟踪框
20 for output in outputs:
21 x1, y1, x2, y2, track_id = output
22 cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
23 cv2.putText(frame, f"ID: {int(track_id)}", (int(x1), int(y1 - 10)), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
24
25 return frame
4. 处理视频流
1# 打开视频文件
2video_path = 'path_to_your_video.mp4'
3cap = cv2.VideoCapture(video_path)
4
5while cap.isOpened():
6 ret, frame = cap.read()
7 if not ret:
8 break
9
10 # 处理每一帧
11 processed_frame = process_frame(frame, model, deepsort)
12
13 # 显示结果
14 cv2.imshow('Vehicle Tracking', processed_frame)
15
16 # 按Q键退出
17 if cv2.waitKey(1) & 0xFF == ord('q'):
18 break
19
20# 清理
21cap.release()
22cv2.destroyAllWindows()
扩展功能
对于扩展功能，如测速、绘制进出线、禁停区域等功能，需要在process_frame函数中加入额外的逻辑。例如，为了实现测速功能，你可以根据车辆在不同帧中的位置变化来计算速度；为了绘制进出线，可以在processed_frame上使用cv2.line()函数添加线条，并检查车辆是否跨越了这些线。