当前位置：首页 > news >正文

# YOLO11解决方案之区域追踪探索

news 2025/7/13 4:29:34

概述

Ultralytics提供了一系列的解决方案，利用YOLO11解决现实世界的问题，包括物体计数、模糊处理、热力图、安防系统、速度估计、物体追踪等多个方面的应用。

TrackZone 用来监控指定区域内的目标，而不是整个画面，它基于 Ultralytics YOLO11，专门在视频和实时摄像机传输的区域内集成了目标检测和跟踪功能。YOLO11 TrackZone 的先进算法和深度学习技术使其成为实时应用的完美选择，可在人群监控和安防等应用中提供精确、高效的目标跟踪。

Ultralytics提供了CLI和Python例子，展示如何使用区域追踪解决方案。

CLI：

# Run a trackzone example
yolo solutions trackzone show=True# Pass a source video
yolo solutions trackzone show=True source="path/to/video.mp4"# Pass region coordinates
yolo solutions trackzone show=True region="[(150, 150), (1130, 150), (1130, 570), (150, 570)]"

Python代码：

import cv2from ultralytics import solutionscap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))# Define region points
region_points = [(150, 150), (1130, 150), (1130, 570), (150, 570)]# Video writer
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))# Init trackzone (object tracking in zones, not complete frame)
trackzone = solutions.TrackZone(show=True,  # display the outputregion=region_points,  # pass region pointsmodel="yolo11n.pt",
)# Process video
while cap.isOpened():success, im0 = cap.read()if not success:print("Video frame is empty or video processing has been successfully completed.")breakresults = trackzone(im0)video_writer.write(results.plot_im)cap.release()
video_writer.release()
cv2.destroyAllWindows()

`TrackZone`参数

基本参数

参数	类型	默认值	说明
`model`	`str`	`None`	Ultralytics YOLO 模型文件的路径。
`region`	`list`	`[(20, 400), (1260, 400)]`	定义追踪区域。

track参数

参数	类型	默认值	说明
`tracker`	`str`	`'botsort.yaml'`	指定要使用的跟踪算法， `bytetrack.yaml` 或 `botsort.yaml`.
`conf`	`float`	`0.3`	设置检测的置信度阈值；数值越低，跟踪的物体越多，但可能会出现误报。
`iou`	`float`	`0.5`	设置交叉重叠 (IoU) 阈值，用于过滤重叠检测。
`classes`	`list`	`None`	按类别索引筛选结果。例如 `classes=[0, 2, 3]` 只跟踪指定的类别（class在COCO数据集定义）。
`verbose`	`bool`	`True`	控制跟踪结果的显示，提供被跟踪物体的可视化输出。
`device`	`str`	`None`	指定用于推理的设备（例如： `cpu`, `cuda:0` 或 `0`). 允许用户选择CPU 、特定GPU 或其他计算设备运行模型。

可视化参数：

参数	类型	默认值	说明
`show`	`bool`	`False`	如果 `True`在一个窗口中显示注释的图像或视频。有助于在开发或测试过程中提供即时视觉反馈。
`line_width`	`None or int`	`None`	指定边界框的线宽。如果 `None`则根据图像大小自动调整线宽，使图像更加清晰。
`show_conf`	`bool`	`True`	在标签旁显示每次检测的置信度得分。让人了解模型对每次检测的确定性。
`show_labels`	`bool`	`True`	在可视输出中显示每次检测的标签。让用户立即了解检测到的物体。

GUI演示程序代码

本演示程序定义了两个类：VideoProcessorApp类和VideoProcessor类。

VideoProcessorApp类

class VideoProcessorApp:def __init__(self, root):self.root = rootself.root.title("视频处理应用演示")self.root.geometry("900x700")# 设置中文字体self.font = ('SimHei', 10)# 视频和图像处理相关变量self.cap = Noneself.video_path = ""self.original_frame = Noneself.current_frame = Noneself.processed_frames = []self.is_playing = Falseself.is_processing = Falseself.is_paused = Falseself.draw_mode = None  # 'line' 或 'rectangle'self.start_point = Noneself.end_point = Noneself.drawing = Falseself.output_file = ""self.rect_angle = 0  # 矩形旋转角度self.rect_center = None  # 矩形中心点self.rect_points = None  # 矩形四个顶点self.pause_event = threading.Event()self.video_processor = Noneself._dt_buffer = []self._last_time = time.perf_counter()self.count = 0self.count_read  = 0self.frame_reading_done = False  # 标志位self.object_count = {}# 多线程相关self.frame_queue = Queue(maxsize=60)self.result_queue = Queue(maxsize=60)self.writer_queue = Queue(maxsize=60)self.stop_threads = False# 创建界面组件self.create_menu()self.create_widgets()# 绑定鼠标事件self.canvas.bind("<Button-1>", self.on_mouse_click)self.canvas.bind("<B1-Motion>", self.on_mouse_drag)self.canvas.bind("<ButtonRelease-1>", self.on_mouse_release)self.canvas.bind("<Button-3>", self.on_right_click)self.canvas.bind("<B3-Motion>", self.on_right_drag)self.canvas.bind("<ButtonRelease-3>", self.on_right_release)

VideoProcessor类

VideoProcessor类专门处理视频帧，其中调用了solutions.TrackZone类：

class VideoProcessor:"""视频处理器类，负责处理视频帧"""def __init__(self, coords=None):self.coords = coords  # 存储矩形的坐标pts = coords['points']# 初始化self.trackzone = solutions.TrackZone(show=False,model="yolo11n.pt",region=pts,classes=[0,2,5,7],verbose = False)dummy_frame = np.zeros((640, 640, 3), dtype=np.uint8)for _ in range(3):  # 连续运行几次来触发所有内部初始化self.trackzone(dummy_frame)def process_frame(self, frame):"""处理单帧图像"""if not self.coords:return frameresults = self.trackzone(frame)return results.plot_im

多线程处理

由于读写视频文件和进行神经网络推理均需要较大的计算量，本演示代码使用多线程分别处理读、写、显示和推理，以最大化利用计算机资源，提高处理速度。

def start_processing(self):if self.cap is None or not self.cap.isOpened():messagebox.showerror("错误", "请先打开视频文件")returnif self.video_processor is None:messagebox.showerror("错误", "请先绘制线条或矩形")returnif self.is_processing:messagebox.showinfo("提示", "正在处理视频，请等待")returnself.processed_frames.clear()self.is_processing = Trueself.is_playing = Trueself.is_paused = Falseself.stop_threads = Falseself.process_button.config(state=tk.DISABLED)self.pause_button.config(state=tk.NORMAL)self.stop_button.config(state=tk.NORMAL)self.pause_event.set()# 启动多线程self.reader_thread = threading.Thread(target=self.frame_reader)self.processor_thread = threading.Thread(target=self.frame_processor)self.display_thread = threading.Thread(target=self.result_display)self.writer_thread = threading.Thread(target=self.video_writer_worker)# 设置线程优先级try:self.reader_thread.priority = 'ABOVE_NORMAL'self.processor_thread.priority = 'HIGH'self.writer_thread.priority = 'ABOVE_NORMAL'except:pass# 启动线程self.reader_thread.start()self.processor_thread.start()self.display_thread.start()self.writer_thread.start()

其中的推理线程代码如下：

 def frame_processor(self):"""专用模型推理线程"""while not self.stop_threads:if self.is_paused:time.sleep(0.01)continuetry:start_time = time.time()frame = self.frame_queue.get(timeout=0.1)processed, self.object_count = self.video_processor.process_frame(frame)self.count += 1if not self.stop_threads:self.result_queue.put(processed, timeout=0.1)except Empty:continueexcept Exception as e:print(f"Frame processor error: {str(e)}")break