YOLOv8 实时视频流目标追踪系统与指定区域统计计数

YOLOv8 实时YouTube直播流目标追踪系统详解

YOLOv8 实时YouTube直播流目标追踪系统

本项目提供基于Flask的Web应用程序，可实时处理YouTube直播视频流，通过YOLOv8实现目标检测与追踪，并展示带有边界框和类别统计的处理画面。该系统同时提供获取目标数量的API接口。

核心功能

• 实时获取并处理YouTube直播视频流
• 采用YOLOv8模型进行目标检测与追踪
• 自定义监控区域(ROI)实现目标移动监测
• 统计穿越预设虚拟线的目标数量
• 提供可视化网页界面展示处理后的视频流
• 支持通过API获取实时目标统计数量

环境要求

运行前请确保安装以下依赖库：
pip install flask opencv-python numpy ultralytics shapely yt-dlp

安装与使用

1
2. 安装依赖库：
pip install -r requirements.txt

3. 启动Flask应用：
   python app.py

4. 浏览器访问：
   http://localhost:8080/

配置说明

• 修改app.py中的youtube_live_id变量为指定YouTube直播ID
• 如需使用自定义模型，请调整YOLO模型路径
• 可通过修改roi_points和line_start/line_end自定义监控区域与检测线

API接口

• GET /video_feed - 获取带目标追踪的视频流
• GET /counts - 返回JSON格式的检测目标数量

部署方案

常规部署：
export PORT=8080
python app.py

Docker容器化部署：
docker build -t yolo-stream .
docker run -p 8080:8080 yolo-stream

1. 系统概述

本项目是一个基于 Flask 框架的 Web 应用程序，能够实时处理 YouTube 直播视频流，并利用 YOLOv8（You Only Look Once v8） 深度学习模型进行 目标检测与追踪。系统的主要功能包括：

• 实时视频流处理：通过 yt-dlp 库获取 YouTube 直播流，并使用 OpenCV 进行解码。
• 目标检测与追踪：采用 YOLOv8（Ultralytics 实现）检测视频中的物体，并利用 ByteTrack 或 BoT-SORT 等算法进行目标追踪。
• 自定义监控区域（ROI）：用户可以设定一个 多边形区域（使用 shapely 库计算），仅在该区域内进行目标检测，减少计算量。
• 虚拟线计数：在视频画面中定义一条 检测线，系统会统计 跨越该线的目标数量（适用于车流统计、人流监控等场景）。
• 可视化界面：通过 Flask 渲染 HTML 页面，实时显示 带边界框和类别标签的视频流，并动态更新目标数量。
• RESTful API：提供 /counts 接口，返回 JSON 格式的统计结果，方便与其他系统（如数据分析平台、IoT 设备）集成。

2. 技术架构

2.1 核心组件

• 前端（Web 界面）
  • 使用 Flask 模板引擎（Jinja2） 渲染 HTML，并通过 <img> 标签动态加载视频流（/video_feed 端点）。
  • 可结合 JavaScript（AJAX） 定期请求 /counts API，实现动态数据更新。
• 后端（Flask + YOLOv8）
  • 视频流获取：yt-dlp 下载 YouTube 直播流，OpenCV 逐帧解码。
  • 目标检测：加载 YOLOv8s / YOLOv8m（轻量级模型，平衡速度与精度）。
  • 目标追踪：可选 ByteTrack（默认） 或 DeepSORT，计算目标的 运动轨迹。
  • ROI 检测：使用 shapely.geometry.Polygon 判断目标是否在指定区域内。
  • 虚拟线计数：基于 目标中心点坐标变化，判断是否跨越检测线（如 y=300 的水平线）。
• API 接口
  • GET /video_feed：返回 MJPEG 流（Motion-JPEG），供前端显示。
  • GET /counts：返回 {"car": 10, "person": 5} 格式的统计结果。

2.2 数据处理流程

1. 输入：YouTube 直播 URL（如 https://youtu.be/XXXXXX）。
2. 视频解码：OpenCV 逐帧读取，分辨率可调整（默认 640x480）。
3. YOLOv8 检测：
   • 输入帧 → YOLOv8 模型 → 输出 边界框（bbox） + 类别（class） + 置信度（conf）。
4. 目标追踪：
   • 计算每个目标的 ID，避免重复计数。
5. ROI & 虚拟线逻辑：
   • 仅统计 进入 ROI 区域 的目标。
   • 当目标中心点 从虚拟线一侧移动到另一侧 时，计数器 +1。
6. 输出：
   • 视频流：叠加 bbox、ID、类别、计数。
   • API：返回实时统计结果。

3. 应用场景

• 智慧交通：统计高速公路车流量。
• 安防监控：检测入侵者或异常行为。
• 零售分析：商场人流量统计。
• 工业检测：生产线物品计数。

4. 优化与扩展

• 模型优化：使用 TensorRT 加速 YOLOv8，提升 FPS。
• 多摄像头支持：扩展为 RTSP / IP Camera 输入。
• 云部署：通过 Docker + Kubernetes 实现弹性伸缩。
• 报警功能：当目标数量超过阈值时，触发 邮件/短信通知。

本系统适用于 实时监控场景，代码结构清晰，易于二次开发，欢迎贡献改进！ 🚀