YOLOv8/YOLOv11多目标追踪，并手把手教你实现目标追踪轨迹绘制和bytetrack参数解析

---

---

前言

视频分析领域的对象跟踪是一项关键任务，它不仅可以识别帧内对象的位置和类别，还可以在视频进行过程中为每个检测到的对象维护一个唯一的 ID。YOLOv8/YOLOv11跟踪器的输出与标准对象检测一致，但具有对象 ID 的附加值。这使得跟踪视频流中的对象并执行后续分析变得容易。官网的解释是：

• 效率：实时处理视频流，而不会影响准确性。

• 灵活性：支持多种跟踪算法和配置。

• 易用性：用于快速集成和部署的简单 Python API 。

• 可定制性：易于与经过自定义训练的 YOLO 模型一起使用，允许集成到特定领域的应用程序中。

官网的实际应用展示，如下所示：

实际应用：

---

---

🎓一、YOLOv8原始版本代码下载

官网的源码下载地址 ： YOLOv8/YOLOv11官网代码

官网打不开的话，从我的网盘下载就行，网盘下载地址: YOLOv8原始版本源码下载，提取码: rpe7

注意注意注意：如果在我之前的文章下载过 YOLOv8 源码，不用重新下载了，没有特殊说明都是用同一个版本的源码

环境配置参考教程链接：链接: 环境配置链接，如果已经配置好环境可以忽略此步骤

---

🎓二、多目标追踪并实现轨迹绘制代码

复制下面代码即可运行，运行效果如下：

from collections import defaultdict

import cv2
import numpy as np

from ultralytics import YOLO



if __name__ == '__main__':

    model = YOLO(model="yolov8n.pt")
    video_path = "car.mp4"
    cap = cv2.VideoCapture(video_path)
    track_history = defaultdict(lambda: [])

    while cap.isOpened():

        success, frame = cap.read()

        if success:
            results = model.track(frame, persist=True)

            boxes = results[0].boxes.xywh.cpu()
            track_ids = results[0].boxes.id.int().cpu().tolist()


            annotated_frame = results[0].plot()

            # Plot the tracks
            for box, track_id in zip(boxes, track_ids):
                x, y, w, h = box
                track = track_history[track_id]
                track.append((float(x), float(y)))  # x, y center point
                if len(track) > 20:  # retain 30 tracks for 30 frames
                    track.pop(0)


                points = np.hstack(track).astype(np.int32).reshape((-1, 1, 2))
                cv2.polylines(annotated_frame, [points], isClosed=False, color=(0, 255, 0), thickness=2)


            cv2.imshow("YOLO Tracking", annotated_frame)


            if cv2.waitKey(1) & 0xFF == ord("q"):
                break
        else:
            break


    cap.release()
    cv2.destroyAllWindows()

代码需要修改的地方圈起来的部分，需要你去官网下载YOLOv8/YOLOv11模型，模型支持目标检测，实例分割等，video_path填你的视频文件路径

🎓三、多目标追踪整合到Web端

理解第二章代码即可在任意系统集成多目标追踪+踪轨迹绘制，如 PyQt5界面、Web界面等，作者实现效果如下：

YOLOv8/YOLOv11 原始推理代码使用 model.predict 方法如下：

model.predict(source=r'car.mp4',save=True,show=True)

多目标追踪推理使用 model.track 方法即可：

model.track(source=r'car.mp4', tracker="ultralytics/cfg/trackers/bytetrack.yaml", persist=True,show=True)

使用 ByteTrack 跟踪器进行目标跟踪，参数的解释：

• tracker_type：指定跟踪器的类型，这里使用的是 bytetrack，bytetrack 是一种高效的多目标跟踪器。可以选择的类型包括 botsort 和bytetrack。
• track_high_thresh: 第一轮关联的置信度阈值。检测框的置信度高于此值的目标会被用于初步关联跟踪。
• track_low_thresh: 第二轮关联的置信度阈值。用于关联那些未能通过第一轮关联的低置信度检测框。如果检测框的置信度介于 track_low_thresh 和 track_high_thresh 之间，它们会被视为低置信度检测并尝试在第二轮关联中使用。
• new_track_thresh: 用于初始化新跟踪目标的阈值。如果检测框在任何已有轨迹中都没有匹配，并且其置信度高于此值，则会创建一个新的跟踪目标。
• track_buffer: 用于计算移除跟踪目标的时间缓冲。跟踪器会在失去目标一段时间（由该缓冲时间定义）后将其移除，以减少短暂丢失目标时的跟踪中断。
• match_thresh: 用于匹配轨迹的阈值。轨迹之间的匹配度（如IoU或其他指标）必须超过此值才能视为匹配成功。

第二章代码是检测和在帧上显示对象的轨迹线，直接使用 track_history 来存储和绘制轨迹

---

总结

关注我，带你不挂科！！！