基于YOLOv8的实时目标检测与目标分割与追踪附GUI系统-CSDN博客

本文链接：https://blog.csdn.net/QQ_1309399183/article/details/145000713

基于 YOLOv8 和 Streamlit 的实时目标检测与追踪系统

项目简介

本开源项目展示了如何通过将 YOLOv8（目标检测算法）与 Streamlit（一个用于创建交互式 Web 应用的流行 Python 框架）无缝集成，实现实时视频流的目标检测与追踪。该系统具有用户友好的界面，支持对以下多种视频源进行目标检测和追踪：

RTSP 流（例如 IP 摄像机）
UDP 流
YouTube 视频链接
静态视频文件
静态图片

通过该项目，用户能够方便地进行目标检测与追踪操作，并直观地查看检测结果。

— 在这里插入图片描述

项目资源

深入了解实现细节

作者在 Medium 上撰写了三篇系列文章，详细讲解了从头开始创建该 Web 应用的过程。

Streamlit 云端 Web 应用演示

感谢 Streamlit 团队为社区提供的云端支持！您可以直接通过以下链接访问项目的 Web 应用演示：

注意：由于云端演示中缺少 GPU，视频推理速度可能较慢。

功能概览

目标检测与追踪演示

示例视频演示目标检测与追踪功能：
使用 YOLOv8 模型检测图片、视频、或实时流中的目标。

界面预览

主页：
- 欢迎界面，展示上传图片或视频的选项。
图片检测界面：
- 上传图片后，用户可以一键运行目标检测，检测结果会直接展示在页面上。
分割任务界面：
- 可切换至分割模式，在图片中运行实例分割任务。

在这里插入图片描述

环境要求

Python 版本：3.6 或更高
主要依赖：
- YOLOv8
- Streamlit
- pytube（用于处理 YouTube 视频链接）

安装依赖项的命令：

pip install ultralytics pytube

安装步骤

在这里插入图片描述


2. 进入项目目录：
```bash
cd yolov8

创建以下目录：
- weights：用于存放预训练模型权重。
- videos：用于存放待处理的视频。
- images：用于存放图片。
下载预训练的 YOLOv8 模型权重：
- 链接：[YOLOv8 权重文件]
- 将下载的文件放置于 weights 文件夹中。

使用方法

运行应用

通过以下命令启动 Streamlit 应用：

app.py

应用将自动在浏览器中打开。

模型配置

进入 Web 应用后，用户可以自定义模型配置：

选择任务类型：
- 检测（Detection）：目标检测任务。
- 分割（Segmentation）：目标实例分割任务。
设置模型置信度：
- 通过滑块调整置信度阈值（范围：25%-100%）。
选择数据源：
- 可从图片、视频、RTSP 流或 YouTube 视频链接中选择。

功能细节

1. 图片目标检测

默认展示一张带有检测结果的示例图片。
上传自己的图片：
- 点击“浏览文件”按钮上传图片。
运行检测：
- 点击“检测目标”按钮，使用所选置信度运行检测。
查看结果：
- 检测结果会直接显示在页面上，并支持下载检测结果。

2. 视频目标检测

在项目目录下创建 videos 文件夹。
将待处理视频文件放入 videos 文件夹。

修改 settings.py 中的视频路径配置：

# 视频目录
VIDEO_DIR = ROOT / 'videos'

# 配置视频路径
VIDEO_1_PATH = VIDEO_DIR / 'video_1.mp4'
VIDEO_2_PATH = VIDEO_DIR / 'video_2.mp4'
VIDEO_3_PATH = VIDEO_DIR / 'video_3.mp4'
VIDEO_4_PATH = VIDEO_DIR / 'video_4.mp4'

# 配置视频名称字典
VIDEOS_DICT = {
    'video_1': VIDEO_1_PATH,
    'video_2': VIDEO_2_PATH,
    'video_3': VIDEO_3_PATH,
    'video_4': VIDEO_4_PATH,
}