YOLOv5 + DeepSort 用于目标跟踪与计数

🚗🚶‍♂️ 使用 YOLOv5 和 DeepSort 实现车辆与行人实时跟踪与计数

最新版本：https://github.com/Sharpiless/YOLOv11-DeepSort

---

📌 项目简介

本项目将 YOLOv5 与 DeepSort 相结合，实现了对目标的实时跟踪与计数。提供了一个封装的 Detector 类，方便将此功能嵌入到自定义项目中。

🔗 阅读完整博客：【小白CV教程】YOLOv5+Deepsort实现车辆行人的检测、追踪和计数

---

🚀 核心功能

• 目标跟踪：实时跟踪车辆与行人。
• 计数功能：轻松统计视频流中的车辆或行人数。
• 封装式接口：Detector 类封装了检测与跟踪逻辑，便于集成。
• 高度自定义：支持训练自己的 YOLOv5 模型并无缝接入框架。

---

🔧 使用说明

安装依赖

pip install -r requirements.txt

确保安装了 requirements.txt 文件中列出的所有依赖。

运行 Demo

python demo.py

---

🛠️ 开发说明

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

---

📊 训练自己的模型

如果需要训练自定义的 YOLOv5 模型，请参考以下教程：
【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）

训练完成后，将模型权重文件放置于 weights 文件夹中。

---

📦 API 调用

初始化检测器

from AIDetector_pytorch import Detector

det = Detector()

调用检测接口

func_status = {}
func_status['headpose'] = None

result = det.feedCap(im, func_status)

• im: 输入的 BGR 图像。
• result['frame']: 检测结果的可视化图像。

---

✨ 可视化效果

---

📚 联系作者

• Bilibili: 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

---

💡 许可证

本项目遵循 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-inference 快速上手指南

本项目结合了 YOLOv5 目标检测与 DeepSort 多目标跟踪算法，专为车辆和行人的实时跟踪与计数设计。通过封装的 Detector 类，开发者可轻松将其集成到自定义项目中。

1. 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 / macOS
• Python 版本：推荐 Python 3.8+
• 硬件加速：推荐使用 NVIDIA GPU 并安装对应的 CUDA 驱动（项目会自动检测，若无 GPU 则使用 CPU 运行，但速度较慢）
• 前置依赖：
  • PyTorch (需匹配您的 CUDA 版本)
  • torchvision
  • opencv-python
  • numpy
  • scipy
  • scikit-learn
  • tensorboard
  • seaborn
  • PyYAML
  • tqdm
  • torchstat
  • thop

💡 国内加速建议： 安装 PyTorch 时，建议使用清华或阿里镜像源以提升下载速度。例如：

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

2. 安装步骤

克隆项目代码并安装所需依赖库。

# 克隆仓库
git clone https://github.com/Sharpiless/Yolov5-deepsort-inference.git
cd Yolov5-deepsort-inference

# 安装依赖 (建议使用国内镜像源)
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：首次运行前，请确保 weights/ 目录下存在预训练模型文件（如 yolov5m.pt）。若缺失，程序可能会尝试自动下载或报错，请根据控制台提示处理，或手动从 YOLOv5 官方仓库下载放入该目录。

3. 基本使用

运行演示 Demo

直接运行提供的演示脚本，即可对默认视频或摄像头进行实时检测、跟踪与计数。

python demo.py

代码集成示例

若需在自有项目中调用，可使用封装好的 Detector 类。

1. 初始化检测器

from AIDetector_pytorch import Detector

# 初始化检测器（自动加载配置与模型）
det = Detector()

2. 执行检测与跟踪

传入 BGR 格式的图像帧（OpenCV 读取格式），获取处理结果。

import cv2

# 读取图像 (示例)
im = cv2.imread('test.jpg') 
# 或者从视频流/摄像头读取: ret, im = cap.read()

func_status = {}
func_status['headpose'] = None

# 执行推理
result = det.feedCap(im, func_status)

# 获取可视化后的结果图像
output_frame = result['frame']

# 显示或保存结果
cv2.imshow("Tracking Result", output_frame)
cv2.waitKey(0)
cv2.destroyAllWindows()

核心逻辑说明

• 检测部分：内部调用 self.detect()，返回过滤后的边界框（默认仅保留 person, car, truck）。
• 跟踪部分：内部集成 DeepSort，通过 self.update() 更新轨迹 ID，实现跨帧跟踪。
• 自定义模型：如需识别其他物体，请训练自己的 YOLOv5 模型，将生成的 .pt 权重文件替换 weights/yolov5m.pt，并在代码中调整类别过滤逻辑。