yolov8_track追踪加分割（yolo目标检测+追踪+分割）

**这个仓库包含了最先进的多目标追踪器。其中一些基于运动信息，另一些则基于运动和外观描述。对于后者，最先进的ReID模型也会自动下载。目前支持的模型有：DeepOCSORT LightMBN、BoTSORT LightMBN、StrongSORT LightMBN、OCSORT和ByteTrack。

我们提供了如何将这个包与流行的目标检测模型配合使用的示例。目前提供的检测模型有Yolov8和Yolo-NAS，YOLOX即将推出。项目简介**

这个项目实现了一个基于YOLOv8和DeepSort的实时目标检测和追踪系统。它可以在各种场景中检测和追踪多种类型的物体。例如，它可以用于人群监控、车辆检测、动物行为分析等。项目地址为：

YOLOv8简介

YOLOv4是YOLO（You Only Look Once）系列的第四代版本，是一种快速、高精度的实时目标检测算法。YOLOv8相较于之前的版本，在保持低计算量的情况下，实现了更高的检测精度。它采用了一系列优化策略和技巧，如Mish激活函数、CSPNet、Spatial Pyramid Pooling等。

DeepSort简介

DeepSort（Deep Association Metric Learning for Tracking）是一种基于深度学习的多目标跟踪算法。它使用卷积神经网络（CNN）来提取目标的特征，并利用这些特征计算目标之间的距离。然后，它使用匈牙利算法进行数据关联，从而实现高效的目标跟踪。

项目结构

YOLO_Tracking项目的目录结构如下：
这个仓库包含了最先进的多目标追踪器。其中一些基于运动信息，另一些则基于运动和外观描述。对于后者，最先进的ReID模型也会自动下载。目前支持的模型有：DeepOCSORT LightMBN、BoTSORT LightMBN、StrongSORT LightMBN、OCSORT和ByteTrack。

我们提供了如何将这个包与流行的目标检测模型配合使用的示例。目前提供的检测模型有Yolov8和Yolo-NAS，YOLOX即将推出。

yolo_tracking/
│
├── deep_sort_pytorch/       # DeepSort的PyTorch实现
│
├── yolov8_pytorch/           # YOLOv8的PyTorch实现
│
├── track.py                  # 主要的检测和追踪脚本
│
├── requirements.txt          # 项目依赖
│
└── README.md                 # 项目说明

安装和运行

1. 克隆项目：

   git clone https://github.com/mikel-brostrom/yolo.git
   cd yolo
   ```
   
   

2. 安装依赖：

   pip install -r requirements.txt
   ```
   
   

3. 下载预训练的权重文件：

   YOLOv4权重：yolov8.weights

   DeepSort权重：ckpt.t7

   将这两个文件下载到对应的子目录中。

4. 运行目标检测和追踪：

   python track.py --source_video path/to/your/video --weights_yolo path/to/yolov8.weights --weights_deepsort path/to/ckpt.t7 --output_video path/to/output/video
   ```
   
   替换`path/to/your/video`、`path/to/yolov4.weights`、`path/to/ckpt.t7`和`path/to/output/video`为实际路径。
   
   

自定义和优化

1. 修改检测阈值和追踪阈值：在track.py中，可以设置conf_thres和iou_thres参数来调整检测和追踪的敏感度。

2. 选择检测类别：在yolov8_pytorch/detect.py中的detect函数中，可以修改class_whitelist参数来选择感兴趣的目标类别。

3. 使用GPU进行加速：在track.py中，可以添加--device参数来指定使用GPU进行计算。

4. 训练自己的模型：可以参考YOLOv8和DeepSort的官方实现，训练适用于自己任务的模型，并替换预训练权重。

总之，这个项目提供了一个基于YOLOv8和DeepSort的高效目标检测和追踪系统。用户可以通过修改参数和训练自己的模型来满足不同的应用需求。