我试用一下YOLOv8中的跟踪算法

关注公众号，发现CV技术之美

YOLOv8已经加入了两个跟踪算法，方便对目标检测和分割的结果进行跟踪，可以直接在命令行使用，当然也可以用Python代码调用，非常方便。

以下是相关特性：

1. 这两个跟踪算法是 BoT-SORT（https://github.com/NirAharon/BoT-SORT,目前在MOT17数据集上排名第二）和 ByteTrack（https://github.com/ifzhang/ByteTrack，ECCV 2022），不指明参数情况下使用BoT-SORT。

2. 这两个算法都是多目标跟踪算法，比较实用。

3. 支持对跟踪算法的参数进行修改，修改配置文件即可：ultralytics/tracker/cfg。

4. 与YOLOv8目标检测和分割算法结合，一如既往的简单好用，广泛支持视频流、摄像头、本地视频文件等。

5. 跟踪速度也很快，但目标大小和多少也会影响到速度。

6. 跟踪算法目前仅有CPU实现，如果有GPU实现就更完美了。

如果要使用跟踪算法，最好把YOLOv8更新到最新版本：

pip install --upgrade ultralytics

命令行使用的话，就一句话：

yolo track model=yolov8n.pt source="https://youtu.be/Zgi9g1ksQHc"

以上命令是对Youtube上的视频流进行跟踪，如果你对摄像头获取的数据进行跟踪，可以用这个：

yolo track model=yolov8n.pt source=0

source=0 代表使用摄像头的设备号是0，有多个摄像头的话，可以根据具体情况填写1，2...

对本地mp4视频文件进行目标跟踪：

yolo track model=yolov8n.pt source="example.mp4"

CV君发现使用官方给的视频流url测试，跟踪显示不太对，不知是bug还是我本地网络原因。

于是我把那个视频下载下来测试并保存：

yolo track model=yolov8n.pt source='ultralytics.mp4' save=True

视频会被resize到长边640进行处理，我机器的CPU是E3-1230 v2，比较老，15%左右的CPU占用，跟踪一帧的时间也只有大约12-25ms，平均17ms,此时使用的算法是BoT-SORT。

但比较恐怖的是，内存占用非常高：

这跟我Chrome浏览器有得一拼了。

为验证是不是算法的问题，我用bytetrack也进行了测试，发现内存占用也一样高。后来发现这应该是YOLOv8检测模型占用内存比较大（开始忘了这茬了~）。

检测结果视频效果如下：

好像跟踪效果还是很好的！

不过这是官方给的视频，CV君又下载了一个车辆道路视频测试，视频源地址：https://www.youtube.com/watch?v=dfVvEkKWvY4&ab_channel=OlivertheTat

这种道路上的视频特点是，目标尺度和光照变化比较大，长期出现和短暂出现的目标并存，效果如下：

可以看到并不是很理想，前方车辆多次跟丢，id变了又变，最后几帧马路上的红绿灯甚至都没检测出来，也有跟丢的情况。

运行时间也变长了，平均一帧23ms了：

因为YOLOv8默认的检测器是在COCO数据集上训练的，所以并不一定都是大家感兴趣的类别，真正使用的时候，大家需要替换成自己训练的目标检测器初始化目标。

总之，YOLOv8中的目标跟踪并非完美，但作为一个集成在一起的工具，已经可以很方便地帮助我们快速进行项目测试和开发了。

END,入群声明：本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：【wpsshop博客】