用 YOLOv8 + DeepSORT 实现目标检测、追踪与速度估算

CoovallyAIHub
478 阅读4分钟

【导读】

目标检测与追踪技术是计算机视觉领域最热门的应用之一，广泛应用于自动驾驶、交通监控、安全防护等场景。今天我们将带你一步步实现一个完整的项目，使用YOLOv8 + DeepSORT实现目标检测、追踪与速度估算。>>更多资讯可加入CV技术群获取了解哦

一、项目简介

本项目将实现一个功能完备的系统，具备以下能力：

  • 检测： 使用 YOLOv8 快速识别图像/视频中的物体；
  • 追踪： 用 DeepSORT 对目标进行多帧跟踪与编号；
  • 估速： 通过帧间位移计算目标的移动速度；
  • 统计： 支持计数通过检测线的车辆数量。

技术选型：

  • YOLOv8： 最新一代 YOLO 模型，速度快、精度高；
  • DeepSORT： 强化版追踪算法，结合深度特征提高 ID 保持能力。

二、项目环境配置

克隆项目代码

git clone https://github.com/Gayathri-Selvaganapathi/vehicle_tracking_counting.git
cd vehicle_tracking_counting

创建虚拟环境并安装依赖

推荐使用 conda：

conda create -n env_tracking python=3.8
conda activate env_tracking
pip install -r requirements.txt

更轻松的方式：试试 Coovally 平台

觉得环境配置太繁琐？代码跑起来效率太低？Coovally 平台就是你轻量开发的理想选择！

Coovally已集成YOLOv8和DeepSORT模型，可直接一键调用。

且平台还内置1000+可一键调用的开源模型，覆盖目标检测、关键点检测、多模态3D检测、目标追踪等各类任务。

  • 无需写代码：上传数据集、选择模型、配置参数、启动训练，全部可视化操作！
  • 训练过程实时可视：
    准确率、损失曲线、预测图像一目了然，结果即训即看，助你快速验证算法性能！

动图封面

开发体验拉满：

你可以使用自己熟悉的开发工具（如VS Code、Cursor、WindTerm等），通过SSH协议直接连接Coovally云端算力，享受如同本地一样的实时开发、调试体验，还能调用强大的GPU环境加速实验。

动图封面

三、实现流程详解

文件准备

除 GitHub 项目外，还需额外下载：

  • DeepSORT模型文件（见 README 中的 Google Drive 链接）；
  • 示例视频文件，用于测试检测与追踪效果。

将上述资源分别放入：

  • deep_sort → 模型目录；
  • data → 视频文件目录。

四、运行检测与追踪

一行命令启动全流程：

python detect.py --source data/sample_video.mp4 --yolo-model yolov8 --deep-sort deep_sort_pytorch --output runs/detect

程序会处理视频、进行检测与追踪，并输出结果视频到 runs/detect/ 目录中。

五、关键代码解析

初始化 DeepSORT

from deep_sort.deep_sort import DeepSort  
def init_tracker():     
    return DeepSort("deep_sort/model.ckpt", use_cuda=True)

YOLOv8 目标检测

 def detect_objects(frame, model):     
    results = model(frame)    
    return results.xyxy[0]

绘制边框与编号

def draw_boxes(frame, bbox, identities, names):
    for i, box in enumerate(bbox):
        ...
        cv2.rectangle(...)
        cv2.putText(...)
    return frame

速度估算（单位：km/h）

def estimate_speed(coord1, coord2, fps):
    d_pixels = np.linalg.norm(np.array(coord2) - np.array(coord1))
    d_meters = d_pixels / PIXELS_PER_METER
    speed = d_meters * fps * 3.6
    return speed

六、项目效果与结果解读

输出效果包括：

  • 边框框选目标对象；
  • 每个目标拥有唯一 ID 标签；
  • 若启用速度估算，会在图像中实时展示速度值；
  • 支持计数功能，统计通过线段的车辆数量。
# 判断是否通过计数线
if is_crossing_line(bbox, line_position):
    vehicle_count += 1
# 计算速度
speed = estimate_speed(previous_coord, current_coord, fps)

七、项目拓展建议

这个项目还可以进一步扩展：

  • 训练自定义模型： 在 Coovally 上使用自己标注的数据训练YOLOv8；
  • 集成多摄像头系统： 实现多视角追踪与分析；
  • 接入可视化大屏/控制后台： 用于城市级交通监控、智慧安防系统等。

总结

我们通过本项目实现了一个高效的目标检测 + 多目标追踪 + 速度估算系统，技术组合为：

  • YOLOv8 → 高效检测；
  • DeepSORT → 高精度追踪；
  • 简洁清晰的速度统计与车辆计数。

借助像 Coovally 这样的 AI 平台，不仅可以快速部署，还能极大提高迭代效率，助力你在算法验证、项目开发中快人一步！

欢迎留言讨论： 你觉得 YOLOv8 + DeepSORT 最适合用于哪些场景？你是否在用其他更轻量的追踪算法？

关注我们，获取更多开源 AI 实战技巧与平台实测指南！

avatar
文章
阅读
粉丝