使用 YOLOv8 和 ByteTracker 進行實時人員跟蹤和計數

作者：二旺 2024-10-10 17:05:00

人工智能機器視覺

在這篇博客文章中，我們將探討如何利用 YOLOv8 和 ByteTracker 實現準確的人數統計。

在計算機視覺領域，實時跟蹤和統計人數對于各種應用至關重要，從監控到事件管理。在這篇博客文章中，我們將探討如何利用YOLOv8和ByteTracker實現準確的人數統計。

引言

YOLOv8（You Only Look Once，第八版）是一種以其速度和準確性而聞名的最新對象檢測模型。
ByteTracker是一種先進的跟蹤算法，旨在維持對象在幀之間的身份，使其成為執行人數統計等任務的理想選擇。

這種組合不僅允許我們在幀中檢測到人，而且還能夠跟蹤他們在幀之間的移動，為實時人數統計提供了強大的解決方案。

先決條件

在深入實現之前，請確保您具備以下條件：

Python 3.10
Ultralytics

設置環境

首先，創建并激活虛擬環境以管理依賴項：

conda create -n person-tracker python==3.10
conda activate person-tracker

安裝必要的庫：

pip install ultralytics

實現人數統計

(1) 導入庫從導入所需的庫開始：

from ultralytics import YOLO
from datetime import datetime
import os

(2) 定義PersonTracker類

創建一個PersonTracker類，該類集成了用于檢測的YOLOv8和用于跟蹤的ByteTracker：


class PersonTracker:
    def __init__(self, model_path, result_dir='results/', tracker_config="bytetrack.yaml", conf=0.5, device='cuda:0',
                 iou=0.5, img_size=(720, 1080)):
        self.model = YOLO(model_path)
        self.result_dir = result_dir
        self.tracker_config = tracker_config
        self.conf = conf
        self.device = device
        self.iou = iou
        self.img_size = img_size

    def create_result_file(self):
        folder_name = datetime.now().strftime("%Y-%m-%d-%H-%M-%S")
        result_file_path = os.path.join(self.result_dir, folder_name + ".txt")
        os.makedirs(self.result_dir, exist_ok=True)
        with open(result_file_path, 'w') as file:
            file.write(folder_name + "\n")
        return result_file_path

    def detect_and_track(self, source, show=True, logger=None):
        result_file = self.create_result_file()
        person_count = 0
        previous_person_count = 0

        results = self.model.track(
            source, show=show, stream=True, tracker=self.tracker_config, conf=self.conf,
            device=self.device, iou=self.iou, stream_buffer=True, classes=[0], imgsz=self.img_size
        )

        for i, result in enumerate(results):
            boxes = result.boxes
            try:
                id_count = boxes.id.int().tolist()
                max_id = max(id_count)

                if max_id > person_count:
                    person_count = max_id

                if person_count != previous_person_count:
                    previous_person_count = person_count
                    with open(result_file, 'a') as filewrite:
                        filewrite.write(f"Person count: {person_count}\n")

                    if logger:
                        logger.info(f"Person count: {person_count}")

            except Exception as e:
                pass

(3) 運行人員跟蹤器

視頻文件跟蹤：

if __name__ == '__main__':
    source = "path/to/your/video.mp4"
    tracker = PersonTracker(model_path='path/to/yolov8_model.pt')
    tracker.detect_and_track(source=source)

網絡攝像頭跟蹤：

if __name__ == '__main__':
    source = 0  # Use 0 for the default webcam
    tracker = PersonTracker(model_path='path/to/yolov8_model.pt')
    tracker.detect_and_track(source=source)

RTSP流跟蹤：

if __name__ == '__main__':
    source = 'rtsp://username:password@ip_address:port/path'
    tracker = PersonTracker(model_path='path/to/yolov8_model.pt')
    tracker.detect_and_track(source=source)

支持的模型

對于YOLOv8，模型通常根據它們的準確性和速度權衡進行分類。通常支持以下模型：

YOLOv8n（Nano）：提供高速度和較低的準確性。非常適合處理速度的實時應用
YOLOv8s（Small）：平衡速度和準確性。適用于許多實際應用。
YOLOv8m（Medium）：在速度和準確性之間提供良好的權衡。適用于更苛刻的應用。
YOLOv8l（Large）：高準確性，速度較低。最適合準確性為優先考慮的場景。

結論

通過結合YOLOv8和ByteTracker，您可以有效地在幀之間檢測和跟蹤人員，提供準確的計數和有價值的洞察。這個解決方案可以擴展到需要實時個人監控和分析的各種應用。

參考文獻：

YOLOv8文檔：https://docs.ultralytics.com/
ByteTracker論文：https://arxiv.org/abs/2005.03659
源碼：https://github.com/ishworrsubedii/person_tracker

責任編輯：趙寧寧來源：小白玩轉Python

YOLOv8 計算機視覺