yolo添加deepsort

### 集成DeepSORT到YOLO中实现目标检测与跟踪 为了实现在YOLO框架下进行高效的目标检测并利用DeepSORT完成多目标跟踪的任务，通常遵循如下方法： #### 准备工作 确保安装了必要的库文件以及配置好了YOLO模型环境。对于YOLOv5或更高版本而言，这一步骤相对较为简便。 #### 加载YOLO模型 加载预训练好的YOLO权重用于初始化网络结构，以便于执行实时物体识别任务。 ```python import torch from models.experimental import attempt_load device = 'cuda' if torch.cuda.is_available() else 'cpu' model = attempt_load('path_to_yolo_weights', map_location=device) ``` #### 初始化DeepSORT实例 创建一个新的`DeepSort`类对象，并设置好参数选项，比如最大丢失次数、最小置信度阈值等。 ```python from deep_sort.deep_sort import DeepSort deepsort = DeepSort( max_dist=0.2, nn_budget=None, nms_max_overlap=1.0, max_iou_distance=0.7, max_age=30, n_init=3 ) ``` #### 处理每一帧图像数据 遍历输入视频流中的每一个时间戳对应的图片，在此过程中调用YOLO获取当前时刻所有可能出现的对象边界框及其类别标签；随后借助DeepSORT算法处理这些初步筛选出来的候选区域，最终得到带有唯一ID编号的结果集。 ```python for frame_idx, image in enumerate(video_frames): # 使用YOLO获得检测结果 detections = model(image).pred[0].cpu().numpy() # 构建适合传入DeepSORT的形式 dets_for_deepsort = [] for det in detections: bbox = det[:4] # 提取坐标信息 conf = det[4] # 获取置信度得分 cls_id = int(det[-1]) # 类别索引 if conf >= min_confidence_threshold and cls_id == target_class_index: dets_for_deepsort.append([*bbox, conf]) # 更新tracker状态 outputs = deepsort.update(np.array(dets_for_deepsort), image) # 绘制带ID号的矩形框标记被追踪个体 for output in outputs: track_id = output[-1] bbox = list(map(int, output[:-1])) cv2.rectangle(image, (bbox[0], bbox[1]), (bbox[2], bbox[3]), color=(255, 0, 0)) label = f'{track_id}' cv2.putText(image, label, org=(bbox[0]+5,bbox[1]-5), fontFace=cv2.FONT_HERSHEY_SIMPLEX, thickness=2, lineType=cv2.LINE_AA, color=(255, 0, 0)) ``` 上述过程展示了如何有效地结合YOLO强大的视觉感知能力同DeepSORT优秀的时空关联特性于一体，从而达到稳定可靠的多目标持续监控效果[^1][^2].