YOLOv7 目标跟踪 🚀

💥 Ultralytics YOLOv8 支持已添加 python detect.py --weights yolov8n.pt

🚀 YOLOv9、YOLOv10、YOLO11、YOLO12、YOLO13 支持即将推出 :)

如何运行代码

1. 克隆仓库：

   git clone https://github.com/RizwanMunawar/yolov7-object-tracking.git
   

2. 进入克隆的文件夹：

   cd yolov7-object-tracking
   

3. 创建虚拟环境（推荐以避免冲突）：

   对于 Anaconda：

   conda create -n yolov7objtracking python=3.12
   conda activate yolov7objtracking
   

   对于 Linux：

   python3 -m venv yolov7objtracking
   source yolov7objtracking/bin/activate
   

   对于 Windows：

   python3 -m venv yolov7objtracking
   cd yolov7objtracking/Scripts
   activate
   

   对于 MacOS：

   python3 -m venv yolov7objtracking
   source yolov7objtracking/bin/activate
   

4. 更新 pip 并安装依赖项：

   pip install --upgrade pip
   pip install -r requirements.txt
   

5. 运行脚本：

   根据您的需求选择合适的命令。如果需要，会自动下载预训练的 yolov7 权重。

   • 仅检测：

     python detect.py --weights yolov7.pt
     
     # 如果您想使用自己的视频。
     python detect.py --weights yolov7.pt --source "your video.mp4"
     
     # 使用 YOLOv8 进行推理
     python detect.py --weights yolov8n.pt
     

   • 目标跟踪：

     python detect_and_track.py --weights yolov7.pt
     
     # 如果您想使用自己的视频。
     python detect_and_track.py --weights yolov7.pt --source "your video.mp4"
     

   • 摄像头：

     python detect_and_track.py --weights yolov7.pt --source 0
     

   • 外接相机：

     python detect_and_track.py --weights yolov7.pt --source 1
     

   • IP 摄像头流：

     python detect_and_track.py --source "your IP Camera Stream URL" --device 0
     

   • 特定类别跟踪（例如人）：

     python detect_and_track.py --weights yolov7.pt --source "your video.mp4" --classes 0
     

   • 彩色轨迹：

     python detect_and_track.py --weights yolov7.pt --source "your video.mp4" --colored-trk
     

   • 保存轨迹质心、ID 和边界框坐标：

     python detect_and_track.py --weights yolov7.pt --source "your video.mp4" --save-txt --save-bbox-dim
     

6. 输出文件 将保存在 runs/detect/obj-tracking 文件夹中，并保留原始文件名。

参数详情 🚀

参数	类型	默认值	描述
--weights	str	yolov7.pt	模型权重文件（.pt 文件）的路径。
--download	flag	False	自动下载模型权重。
--source	str	None	推理的输入源（文件、文件夹，或 0 表示网络摄像头）。
--img-size	int	640	推理时使用的图像尺寸，单位为像素。
--conf-thres	float	0.25	目标置信度阈值。
--iou-thres	float	0.45	用于非极大值抑制（NMS）的交并比（IoU）阈值。
--device	str	''	CUDA 设备（例如 0 或 0,1,2,3）或 cpu。
--view-img	flag	False	在推理过程中显示结果。
--save-txt	flag	False	将结果保存为 .txt 文件。
--save-conf	flag	False	将置信度分数保存到 .txt 标签文件中。
--nosave	flag	False	不保存图像或视频。
--classes	list[int]	None	按类别筛选结果（例如 --classes 0 或 --classes 0 2 3）。
--agnostic-nms	flag	False	使用类别无关的非极大值抑制（NMS）。
--augment	flag	False	启用增强推理。
--update	flag	False	更新所有模型。
--project	str	runs/detect	保存结果的目录（project/name）。
--name	str	runs/detect/object_tracking	项目目录内结果文件夹的名称。
--exist-ok	flag	False	允许使用已存在的项目/名称而不递增编号。
--no-trace	flag	False	导出模型时不进行追踪。
--colored-trk	flag	False	为每个轨迹分配唯一颜色以便可视化。
--save-bbox-dim	flag	False	将边界框的尺寸保存到 .txt 轨迹文件中。
--save-with-object-id	flag	False	将带有目标 ID 的结果保存到 .txt 文件中。

结果 📊

仅 YOLOv7 检测	带 ID 的 YOLOv7 目标跟踪	带 ID 和标签的 YOLOv7 目标跟踪

点赞历史

参考文献

• YOLOv7 GitHub
• SORT GitHub

我撰写的一些文章/研究论文 | 计算机视觉学习的优质资源 | 我在世人眼中是什么样子？🚀

Ultralytics YOLO11：目标检测与实例分割🤯

使用 Ultralytics YOLO11 的停车场管理

我的 🖐️能带来收益的计算机视觉兴趣项目

学习计算机视觉的最佳资源

计算机视觉工程师的职业发展路线图

我在2022年如何深耕计算机视觉领域

基于 YOLOv7 的域特征映射用于自动化边缘式托盘货架检测

视网膜眼底图像中渗出物自动检测的渗出物再生技术

基于自定义卷积架构的大米叶片缺陷检测特征映射

Yolov5、Yolo-x、Yolo-r、Yolov7 性能对比：一项综述

可解释人工智能在癌细胞系药物敏感性预测中的应用

在自定义数据上训练 YOLOv8

与 Ultralytics 团队关于计算机视觉职业旅程的交流

贡献者 🤝

YOLOv7 目标跟踪快速上手指南

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, Windows, 或 macOS
• Python 版本：推荐 Python 3.8 - 3.12
• 硬件加速（可选但推荐）：NVIDIA GPU 及对应的 CUDA 驱动（用于加速推理）
• 前置依赖：已安装 Git 和 pip

💡 国内开发者提示：建议在安装依赖前配置 pip 国内镜像源（如清华源），以显著提升下载速度：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 克隆项目代码

git clone https://github.com/RizwanMunawar/yolov7-object-tracking.git
cd yolov7-object-tracking

2. 创建并激活虚拟环境

为避免依赖冲突，强烈建议使用虚拟环境。

Anaconda 用户：

conda create -n yolov7objtracking python=3.12
conda activate yolov7objtracking

原生 Python (Linux/Mac)：

python3 -m venv yolov7objtracking
source yolov7objtracking/bin/activate

原生 Python (Windows)：

python3 -m venv yolov7objtracking
yolov7objtracking\Scripts\activate

3. 安装依赖库

更新 pip 并安装项目所需依赖：

pip install --upgrade pip
pip install -r requirements.txt

(注：若未配置国内源且下载缓慢，可添加 -i https://pypi.tuna.tsinghua.edu.cn/simple 参数)

基本使用

本项目支持纯检测模式和目标跟踪模式。首次运行时，脚本会自动下载预训练的 yolov7.pt 权重文件。

场景一：运行目标跟踪（推荐）

对视频或摄像头输入进行实时目标跟踪，并在画面中标记 ID。

• 使用默认测试视频/图片：

  python detect_and_track.py --weights yolov7.pt
  

• 跟踪本地视频文件：

  python detect_and_track.py --weights yolov7.pt --source "your_video.mp4"
  

• 调用电脑摄像头 (Webcam)：

  python detect_and_track.py --weights yolov7.pt --source 0
  

• 调用外接摄像头：

  python detect_and_track.py --weights yolov7.pt --source 1
  

场景二：仅运行目标检测

如果不需跟踪 ID，仅需检测框：

python detect.py --weights yolov7.pt --source "your_video.mp4"

常用高级参数示例

• 仅跟踪特定类别（例如只跟踪“人”，COCO 数据集中人的类别 ID 为 0）：

  python detect_and_track.py --weights yolov7.pt --source "your_video.mp4" --classes 0
  

• 为每个轨迹分配独特颜色：

  python detect_and_track.py --weights yolov7.pt --source "your_video.mp4" --colored-trk
  

• 保存检测结果（包含坐标、ID 的 txt 文件）：

  python detect_and_track.py --weights yolov7.pt --source "your_video.mp4" --save-txt --save-bbox-dim
  

结果查看

运行结束后，处理后的视频、图片及标注文件将保存在 runs/detect/obj-tracking 目录下。

注意：本项目现已支持 YOLOv8 模型，只需将 --weights 参数改为 yolov8n.pt 即可直接使用。