yolov8deepsort单目标检测

### 结合YOLOv8与DeepSORT进行单目标检测 #### 加载必要的库和初始化模型 为了实现YOLOv8与DeepSORT相结合的目标检测，首先需要安装并导入所需的Python包。这包括`ultralytics`用于加载YOLOv8模型以及`deep_sort_realtime`作为DeepSORT的实现。 ```python from ultralytics import YOLO import cv2 import numpy as np from deep_sort_realtime.deepsort_tracker import DeepSort ``` #### 初始化YOLOv8模型 使用预训练好的YOLOv8权重文件来创建一个实例化的YOLOv8模型对象。这里假设已经下载了一个适用于特定应用场景（比如车辆或行人）的最佳权重文件。 ```python model = YOLO('path_to_yolov8_best_weights.pt') # 替换为实际路径 tracker = DeepSort(max_age=30, n_init=2) ``` #### 处理每一帧图像 对于来自视频流中的每一张图片，先调用YOLOv8获取所有可能的对象边界框及其置信度得分；接着过滤掉那些不符合设定阈值的结果；最后把这些高质量候选区域送入到DeepSORT中做进一步处理——即关联历史轨迹形成连续跟踪序列。 ```python def process_frame(frame): results = model.predict([frame], conf_threshold=0.5)[0].boxes.data.cpu().numpy() detections = [] for result in results: bbox = result[:4] confidence = result[4] class_id = int(result[-1]) if confidence >= 0.5 and class_id == target_class_index: # 假设只关注某一类别的目标 detection = { 'bbox': tuple(bbox), 'confidence': float(confidence), 'class': str(class_id) } detections.append(detection) tracks = tracker.update_tracks(detections, frame=frame) return tracks ``` #### 显示带有标签的输出画面 遍历由`process_frame()`返回的所有trackings，在原始画面上绘制矩形边框标记出被锁定住的那个唯一主体，并附加ID编号以便区分不同个体之间的差异性。 ```python for track in tracks: if not track.is_confirmed(): continue tracked_bbox = list(map(int, track.to_tlbr())) id_text = f'ID-{int(track.track_id)}' color = (0, 255, 0) # Green color for bounding box thickness = 2 cv2.rectangle(frame, (tracked_bbox[0], tracked_bbox[1]), (tracked_bbox[2], tracked_bbox[3]), color=color, thickness=thickness) cv2.putText(frame, id_text, org=(tracked_bbox[0]+10, tracked_bbox[1]-10), fontFace=cv2.FONT_HERSHEY_SIMPLEX, fontScale=0.5, color=color, thickness=thickness) ``` 以上代码片段展示了如何利用YOLOv8完成初步筛选工作之后再交给DeepSORT负责长期稳定地跟随单一感兴趣实体的过程[^1]。值得注意的是，虽然这段程序主要针对静态照片设计，但对于实时摄像机馈送同样适用，只需稍作调整即可适应动态环境下的应用需求[^2]。