💡💡💡本文摘要：介绍了YOLOv8自带的目标跟踪技术以及评价指标，并教会你如何在YOLOv8使用

1.YOLOv8自带两种跟踪方法

ultralytics/cfg/trackers/文件夹下

1.1 ByteTrack介绍

https://arxiv.org/pdf/2110.06864.pdf

摘要：沿着多目标跟踪（MOT）中tracking-by-detection的范式，我们提出了一种简单高效的数据关联方法BYTE。 利用检测框和跟踪轨迹之间的相似性，在保留高分检测结果的同时，从低分检测结果中去除背景，挖掘出真正的物体（遮挡、模糊等困难样本），从而降低漏检并提高轨迹的连贯性。BYTE能轻松应用到9种state-of-the-art的MOT方法中，并取得1-10个点不等的IDF1指标的提升。基于BYTE我们提出了一个跟踪方法ByteTrack，首次以30 FPS的运行速度在MOT17上取得80.3 MOTA，77.3 IDF1和63.1 HOTA。

1.2 BoT-SORT介绍 

论文： https://arxiv.org/pdf/2206.14651.pdf

针对基于检测的多目标跟踪，提出了三种主要修改改进方法，融合入ByteTrack，从而呈现出两种新的跟踪器：BoT-SORT和BoT-SORT-ReID（BoT-SORT的延申，包含了重新识别模块re-identification module）

2.评价指标

 

原图详见：MOT Challenge - Results 

详见：MOT多目标跟踪评价指标及计算代码（持续更新） - 知乎

3.YOLOv8如何进行目标跟踪

3.1 运行代码如下

from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('yolov8n.pt') 
    model.track(source='test.mp4',
                imgsz=640,
                project='runs/track',
                name='exp',
                save=False,
                show=True,
                tracker="ultralytics/cfg/trackers/bytetrack.yaml"
                )

YOLOv8原创自研

https://blog.csdn.net/m0_63774211/category_12511737.html?spm=1001.2014.3001.5482

💡💡💡全网独家首发创新（原创），适合paper ！！！

💡💡💡 2024年计算机视觉顶会创新点适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步步骤和源码，轻松带你上手魔改网络 ！！！

💡💡💡重点：通过本专栏的阅读，后续你也可以设计魔改网络，在网络不同位置（Backbone、head、detect、loss等）进行魔改，实现创新！！！

目录

原创自研

CBAM魔改，升级

卷积魔改，升级版本

注意力机制

自研检测头

2024年前沿最新成果

计算机视觉顶会创新

---

原创自研

CBAM魔改，升级

1.自研独家创新MSAM注意力，通道注意力升级，魔改CBAM

YOLOv8独家原创改进：自研独家创新MSAM注意力，通道注意力升级，魔改CBAM-CSDN博客

2.自研独家创新BSAM注意力 ，基于CBAM升级

YOLOv8独家原创改进：自研独家创新BSAM注意力 ，基于CBAM升级-CSDN博客

 3.创新自研CPMS注意力，多尺度通道注意力具+多尺度深度可分离卷积空间注意力，全面升级CBAM

YOLOv8独家原创改进：创新自研CPMS注意力，多尺度通道注意力具+多尺度深度可分离卷积空间注意力，全面升级CBAM-CSDN博客

卷积魔改，升级版本

1.自研独家创新FT_Conv，卷积高效结合分数阶变换

YOLOv8独家原创改进：自研独家创新FT_Conv，卷积高效结合分数阶变换-CSDN博客

 2.轻量化自研设计双卷积，重新设计backbone和neck结构

YOLOv8独家原创改进：轻量化自研设计双卷积，重新设计backbone和neck结构，完成涨点且计算量和参数量显著下降-CSDN博客

注意力机制

1. SENet v2，Squeeze-Excitation模块融合Dense Layer，效果秒杀SENet

YOLOv8独家原创改进：SENet v2，Squeeze-Excitation模块融合Dense Layer，效果秒杀SENet | 2023.11月最新成果-CSDN博客

自研检测头

 1.独家创新（Partial_C_Detect）检测头结构创新，实现涨点

YOLOv8优化：独家创新（Partial_C_Detect）检测头结构创新，实现涨点 | 检测头新颖创新系列-CSDN博客

 2. 独家创新（SC_C_Detect）检测头结构创新，实现涨点

YOLOv8优化：独家创新（SC_C_Detect）检测头结构创新，实现涨点 | 检测头新颖创新系列-CSDN博客

SPPF创新

1.SPPF与感知大内核卷积UniRepLK结合，大kernel+非膨胀卷积提升感受野

YOLOv8独家原创改进：SPPF自研创新 | SPPF与感知大内核卷积UniRepLK结合，大kernel+非膨胀卷积提升感受野-CSDN博客

2.可变形大核注意力（D-LKA Attention），大卷积核提升不同特征感受野的注意力机制

YOLOv8独家原创改进：SPPF自研创新 | 可变形大核注意力（D-LKA Attention），大卷积核提升不同特征感受野的注意力机制-CSDN博客

 3.SPPF创新结构，重新设计全局平均池化层和全局最大池化层

YOLOv8独家原创改进：SPPF自研创新 | SPPF创新结构，重新设计全局平均池化层和全局最大池化层，增强全局视角信息和不同尺度大小的特征-CSDN博客

2024年前沿最新成果

1.多种新颖的改进方式 | 保持原始信息-深度可分离卷积(MDSConv) | 全局感受野的空间金字塔 (Improve-SPPF)算法 | CA注意力改进版

YOLOv8独家原创改进： 多种新颖的改进方式 | 保持原始信息-深度可分离卷积(MDSConv) | 全局感受野的空间金字塔 (Improve-SPPF)算法 | CA注意力改进版-CSDN博客

计算机视觉顶会创新

持续更新中，本专栏打造高质量、高原创的专栏，为客户提供精品服务