本文禁止转载！

本文地址：https://blog.csdn.net/weixin_44936889/article/details/112002152

项目简介：

使用YOLOv5+Deepsort实现车辆行人追踪和计数，代码封装成一个Detector类，更容易嵌入到自己的项目中。

代码地址（欢迎star）：

https://github.com/Sharpiless/yolov5-deepsort/

最终效果：

YOLOv5检测器：

class Detector(baseDet):

    def __init__(self):
        super(Detector, self).__init__()
        self.init_model()
        self.build_config()

    def init_model(self):

        self.weights = 'weights/yolov5m.pt'
        self.device = '0' if torch.cuda.is_available() else 'cpu'
        self.device = select_device(self.device)
        model = attempt_load(self.weights, map_location=self.device)
        model.to(self.device).eval()
        model.half()
        # torch.save(model, 'test.pt')
        self.m = model
        self.names = model.module.names if hasattr(
            model, 'module') else model.names

    def preprocess(self, img):

        img0 = img.copy()
        img = letterbox(img, new_shape=self.img_size)[0]
        img = img[:, :, ::-1].transpose(2, 0, 1)
        img = np.ascontiguousarray(img)
        img = torch.from_numpy(img).to(self.device)
        img = img.half()  # 半精度
        img /= 255.0  # 图像归一化
        if img.ndimension() == 3:
            img = img.unsqueeze(0)

        return img0, img

    def detect(self, im):

        im0, img = self.preprocess(im)

        pred = self.m(img, augment=False)[0]
        pred = pred.float()
        pred = non_max_suppression(pred, self.threshold, 0.4)

        pred_boxes = []
        for det in pred:

            if det is not None and len(det):
                det[:, :4] = scale_coords(
                    img.shape[2:], det[:, :4], im0.shape).round()

                for *x, conf, cls_id in det:
                    lbl = self.names[int(cls_id)]
                    if not lbl in ['person', 'car', 'truck']:
                        continue
                    x1, y1 = int(x[0]), int(x[1])
                    x2, y2 = int(x[2]), int(x[3])
                    pred_boxes.append(
                        (x1, y1, x2, y2, lbl, conf))

        return im, pred_boxes

调用 self.detect 方法返回图像和预测结果

DeepSort追踪器：

deepsort = DeepSort(cfg.DEEPSORT.REID_CKPT,
                    max_dist=cfg.DEEPSORT.MAX_DIST, min_confidence=cfg.DEEPSORT.MIN_CONFIDENCE,
                    nms_max_overlap=cfg.DEEPSORT.NMS_MAX_OVERLAP, max_iou_distance=cfg.DEEPSORT.MAX_IOU_DISTANCE,
                    max_age=cfg.DEEPSORT.MAX_AGE, n_init=cfg.DEEPSORT.N_INIT, nn_budget=cfg.DEEPSORT.NN_BUDGET,
                    use_cuda=True)

调用 self.update 方法更新追踪结果

运行demo：

python demo.py

训练自己的模型：

参考我的另一篇博客：

【小白CV】手把手教你用YOLOv5训练自己的数据集（从Windows环境配置到模型部署）

训练好后放到 weights 文件夹下

调用接口：

创建检测器：

from AIDetector_pytorch import Detector

det = Detector()

调用检测接口：

result = det.feedCap(im)

其中 im 为 BGR 图像

返回的 result 是字典，result['frame'] 返回可视化后的图像

联系作者：

B站：https://space.bilibili.com/470550823

CSDN：https://blog.csdn.net/weixin_44936889

AI Studio：https://aistudio.baidu.com/aistudio/personalcenter/thirdview/67156

Github：https://github.com/Sharpiless

遵循 GNU General Public License v3.0 协议，标明目标检测部分来源：https://github.com/ultralytics/yolov5/

Yolov5-Deepsort 快速上手指南

本指南基于 YOLOv5 与 DeepSort 算法，实现车辆与行人的实时检测、追踪及计数功能。代码已封装为 Detector 类，便于集成到现有项目中。

1. 环境准备

系统要求

• 操作系统: Linux 或 Windows
• Python: 3.8+
• GPU: 推荐 NVIDIA GPU (CUDA 支持)，CPU 亦可运行但速度较慢

前置依赖

请确保已安装以下基础库：

• torch (建议 1.7+)
• torchvision
• opencv-python
• numpy
• pillow

国内加速建议：安装 PyTorch 时推荐使用清华或阿里镜像源。

pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 安装步骤

第一步：克隆项目

git clone https://github.com/Sharpiless/yolov5-deepsort.git
cd yolov5-deepsort

第二步：安装依赖

在项目根目录下安装所需 Python 包（如有 requirements.txt 请优先使用）：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

注：若项目中无 requirements.txt，请手动安装上述“前置依赖”中列出的库。

第三步：准备模型权重

确保 weights 文件夹下存在预训练模型文件 yolov5m.pt。

• 若缺失，可从 YOLOv5 官方仓库 下载。
• 国内用户可通过百度网盘或其他国内镜像加速下载后放入 weights/ 目录。

3. 基本使用

方式一：运行官方 Demo

直接运行脚本即可看到车辆和行人的追踪演示效果：

python demo.py

方式二：代码集成调用

将检测器嵌入你自己的 Python 项目中：

1. 初始化检测器

from AIDetector_pytorch import Detector

det = Detector()

2. 执行检测与追踪 传入一张 BGR 格式的图像（OpenCV 读取格式），获取结果：

import cv2

# 读取图像 (BGR 格式)
im = cv2.imread('test.jpg')

# 执行检测
result = det.feedCap(im)

# 获取可视化后的图像
vis_frame = result['frame']

# 显示或保存结果
cv2.imshow('Tracking', vis_frame)
cv2.waitKey(0)

返回的 result 为字典结构，其中 result['frame'] 包含绘制了检测框、ID 及轨迹的图像。