1.准备配置文件 ：首先，你需要下载YOLO项目中的基础配置文件，以确保追踪功能正常工作。请激活你的yolov8环境，并用以下命令初始化Ultralytics的配置文件：
这会在本地生成一个 'ultralytics' 文件夹
yolo cfg
执行完毕后，你会得到一个 ultralytics/cfg/default.yaml 文件，这是之后脚本读取配置的基础。
**2.下载追踪器配置：**YOLO官方提供了一个高度适配的目标追踪器配置。下载后，将其放在与Python脚本相同的目录下。
https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/trackers/bytetrack.yaml
3.完整python代码：
from ultralytics import YOLO
import cv2
from collections import defaultdict
from typing import List, Dict, Tuple
import numpy as np
# --- 配置参数 (请根据你的实际情况修改) ---
MODEL_PATH = "runs/detect/runs/fruit_final/102img_150e/weights/best.pt" # 你的模型路径
SOURCE_VIDEO = "path/to/your/drone_video.mp4" # 输入无人机视频路径
TARGET_VIDEO = "processed_fruits_counting_video.mp4" # 输出视频路径
TRACKER_CONFIG = "bytetrack.yaml" # 追踪器配置文件路径
CONF_THRESHOLD = 0.5 # 置信度阈值，高于此值才认为是有效的果子
IOU_THRESHOLD = 0.5 # 交并比阈值，用于非极大值抑制(NMS)
def main():
print("[INFO] 加载模型...")
# 1. 加载你的自定义模型
model = YOLO(MODEL_PATH)
# 2. 打开视频文件
cap = cv2.VideoCapture(SOURCE_VIDEO)
if not cap.isOpened():
print(f"[ERROR] 无法打开视频文件: {SOURCE_VIDEO}")
return
# 3. 准备输出视频写入器，保持与原视频相同的格式和帧率
fps = int(cap.get(cv2.CAP_PROP_FPS))
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
out = cv2.VideoWriter(TARGET_VIDEO, cv2.VideoWriter_fourcc(*'mp4v'), fps, (width, height))
# 4. 初始化用于存储果子ID和计数的数据结构
# 'set'用于存储唯一的果子ID，避免重复计数；'deque'可用于记录历史ID，但核心是set
fruit_ids = set()
# 可选：存储每一帧的ID，用于更复杂的逻辑，比如统计每一株树，但基础版用set就够了
# 我们还可以存储每个果子的轨迹，用于调试或高级功能
track_history = defaultdict(lambda: [])
print("[INFO] 开始处理视频...")
frame_count = 0
while cap.isOpened():
success, frame = cap.read()
if not success:
break
frame_count += 1
# 5. 对每一帧执行目标追踪 (启用 'track' 模式)
# 参数 'persist=True' 确保ID在不同帧之间保持一致[reference:1]
# 'conf' 设置置信度阈值，过滤低质量的检测[reference:2]
# 'iou' 设置非极大值抑制(NMS)的IOU阈值，减少重叠框
# 'tracker' 指定我们下载的追踪器配置文件
results = model.track(frame,
persist=True,
conf=CONF_THRESHOLD,
iou=IOU_THRESHOLD,
tracker=TRACKER_CONFIG)
# 6. 从结果中提取被成功追踪的果子
boxes = results[0].boxes
# 只有当检测到目标且ID被成功追踪时，才进行计数
if boxes is not None and boxes.id is not None:
# 获取当前帧所有被追踪果子的唯一ID (整数)
track_ids = boxes.id.int().cpu().tolist()
# 将所有新出现的ID添加到set中，实现全局去重
fruit_ids.update(track_ids)
# 可选功能：绘制每个果子的运动轨迹
# 获取每个果子的边界框坐标
xywh = boxes.xywh.cpu().numpy()
for track_id, box in zip(track_ids, xywh):
x, y, w, h = box
track = track_history[track_id]
track.append((float(x), float(y))) # 记录中心点
if len(track) > 30: # 只保留最近30帧的轨迹
track.pop(0)
# 绘制轨迹线 (在输出视频上会很直观)
points = np.hstack(track).astype(np.int32).reshape((-1, 1, 2))
cv2.polylines(frame, [points], isClosed=False, color=(0, 255, 0), thickness=2)
# 7. 在帧上添加计数和帧数信息
total_count = len(fruit_ids)
cv2.putText(frame, f"Total Fruits Count: {total_count}", (10, 30),
cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
cv2.putText(frame, f"Frame: {frame_count}", (10, 70),
cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2)
# 打印或显示当前帧信息
print(f"Frame {frame_count}: Current unique fruits in video: {len(fruit_ids)}")
# 8. 将处理后的帧写入输出视频
out.write(frame)
# （可选）如果想实时显示，可以取消下面的注释
# cv2.imshow("YOLOv8 Tracking", frame)
# if cv2.waitKey(1) & 0xFF == ord('q'):
# break
# 9. 资源释放
cap.release()
out.release()
cv2.destroyAllWindows()
print("[INFO] 视频处理完成！")
print(f"最终统计结果: 视频中共有 {len(fruit_ids)} 个独特的果子被检测到。")
print(f"结果视频已保存至: {TARGET_VIDEO}")
if __name__ == "__main__":
main()