基于YOLOv5+Deepsort或者StrongSort的多目标跟踪（1）

YOLOv5_StrongSORT 是基于 YOLOv5 的两阶段目标追踪算法，优化了跟踪的准确性和鲁棒性，能够在复杂的场景中更有效地处理遮挡、目标丢失和重新出现等问题。 本文介绍 YOLOv5_StrongSORT 的实现步骤，详细介绍（1）项目下载；（2）安装配置；（3）测试运行。

目标跟踪作为一个非常有前景的研究方向，常常因为场景复杂导致目标跟丢的情况发生。本文按照跟踪目标数量的差异，分别介绍了单目标跟踪及多目标跟踪。

yolov13结合deepsort实现多目标跟踪，YOLOv13 于 2025 年 8 月 21 日和 22 日发布，并在 YOLO 领域中展示了检测模型的明显改进。

Yolov5_StrongSORT_OSNet

YOLOv5 + StrongSORT with OSNet模型由YOLOv5检测器 、StrongSORT跟踪算法、OSNet行人重识别模型组成项目地址：由于现在的代码中没有yolov5和reid代码，所以需要下载源码加入到YOLOv5 + StrongSORT with OSNet项目中。yolov5下载地址：下载代码后，放到yolov5的文件夹中，如下图：”

YOLOv5 + StrongSORT with OSNet：YOLOv5检测器 + StrongSORT跟踪算法 + OSNet行人重识别模型

论文地址：https://arxiv.org/abs/2202.13514 代码地址：未给出 摘要 现有的多目标跟踪 (MOT) 方法可以大致分为检测跟踪和联合检测关联范式。尽管后者引起了更多的关注，并显示出相对于前者的可比性能，但我们声称，就跟踪精度而言，跟踪检测范式仍然是最佳解决方案。在本文中，我们重新审视了经典的跟踪器DeepSORT，并从各个方面对其进行了升级，即检测，嵌入和关联。生成的跟踪器称为StrongSORT，在MOT17和MOT20上实现了新的HOTA和IDF1。我们还提出了两种轻量级和.

YOLOv5 + StrongSORT with OSNet：YOLOv5检测器 + StrongSORT跟踪算法 + OSNet行人重识别模型项目地址：https://github.com/mikel-brostrom/Yolov5_StrongSORT_OSNet。

探索未来科技：StrongSORT与YOLO系列的智能视觉融合 在人工智能领域，深度学习和计算机视觉的进步正在不断突破界限。今天，我们向您引荐一款卓越的开源项目——StrongSORT with OSNet for YOLOV5, YOLOV7, YOLOV8，这是一个将最新的目标检测算法与先进的对象跟踪技术完美结合的工具。 项目介绍 基于YOLO（You Only Look Once）家族的强大...

通过改进MOT任务中的早期深度模型DeepSORT，实现了最先进的性能（SOTA），引入了两种计算成本较低的后处理技术：AFLink和GSI，它们被证明能够进一步提升跟踪的准确度。 这些后处理方法不仅对所提出的模型有益，还能够显著提高其他几个模型的准确性。 这些改进表明，通过精心设计的后处理步骤，可以在不显著增加计算负担的情况下，显著提高多目标跟踪任务的性能。AFLink和GSI作为有效的后处理工具，为MOT领域的研究和应用提供了新的可能性。

多目标跟踪（Multiple Object Tracking）MOT获取单个连续视频并以特定帧速率 (fps) 将其拆分为离散帧以输出。检测每帧中存在哪些对象标注对象在每一帧中的位置关联不同帧中的对象是属于同一个对象还是属于不同对象ByteTrack算法是一种基于目标检测的追踪算法，和其他非ReID的算法一样，仅仅使用目标追踪所得到的bbox进行追踪。追踪算法使用了卡尔曼滤波预测边界框，然后使用匈牙利算法进行目标和轨迹间的匹配。ByteTrack算法的最大创新点就是对低分框的使用。

StrongSort （OSNET）配合YOLOv5、v7、v8 实现多目标跟踪详解

1.能够搭建目标检测框架所需的环境，并能够运行。 2.能够完成对道路场景中的行人、车辆、交通标志等信息进行检测。 3.能够保存追踪目标出现在场景中的置信度最大值时的图片信息到指定文件夹中，并以图片名命名excel文件，分别保存检测结果中的检测类别、检测框位置坐标和置信度信息。

介绍tensorrt部署的YOLOv5去使用StrongSORT去进行多目标跟踪