Ultralytics YOLO多目标跟踪指南

Ultralytics YOLO是一个先进的目标检测模型,以其实时性能和高精度而闻名。它支持独立训练和直接支持预训练的检测、分割或姿态模型。不久的将来,将支持单独训练跟踪器。

使用示例

以下是如何使用Ultralytics YOLO进行多目标跟踪的示例。可以从提供的Python或命令行界面(CLI)示例开始。

from ultralytics import YOLO model = YOLO("yolo11n.pt") results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True) yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" conf=0.3 iou=0.5 show

这些命令加载了YOLO11模型,并使用它来跟踪给定视频源中的对象,具有特定的置信度(conf)和交并比(iou)阈值。有关更多详细信息,请参考。

即将推出的跟踪器训练功能

Ultralytics正在不断增强其AI模型。即将推出的功能将启用独立跟踪器的训练。在此之前,多目标检测器利用预训练的检测、分割或姿态模型进行跟踪,而不需要单独训练。通过关注或查看来保持更新。

为什么选择Ultralytics YOLO进行多目标跟踪

使用Ultralytics YOLO进行多目标跟踪提供了几个优势:

  • 实时跟踪:实现高效和高速跟踪,适用于动态环境。
  • 预训练模型的灵活性:无需从头开始训练;只需使用预训练的检测、分割或姿态模型。
  • 易用性:简单的API集成,支持Python和CLI,使设置跟踪流程变得简单。
  • 广泛的文档和社区支持:Ultralytics提供全面的文档和活跃的社区论坛,以解决故障和增强跟踪模型。

有关设置和使用YOLO进行跟踪的更多详细信息,请访问。

可以使用自定义数据集进行多目标跟踪

是的,可以使用自定义数据集进行多目标跟踪。虽然独立跟踪器训练的支持是一个即将推出的功能,但可以已经使用预训练模型在自定义数据集上。请按照文档准备数据集,使其与YOLO兼容,并进行集成。

如何解释Ultralytics YOLO跟踪模型的结果

使用Ultralytics YOLO运行跟踪作业后,结果包括各种数据点,如跟踪对象ID、它们的边界框和置信度分数。以下是如何解释这些结果的简要概述:

  • 跟踪ID:每个对象被分配一个唯一的ID,这有助于跨帧跟踪它。
  • 边界框:这些指示帧内跟踪对象的位置。
  • 置信度分数:这些反映了模型在检测跟踪对象时的置信度。

有关解释和可视化这些结果的详细指导,请参考。

沪ICP备2024098111号-1
上海秋旦网络科技中心:上海市奉贤区金大公路8218号1幢 联系电话:17898875485