YOLOv9项目结合了YOLOv9的快速目标检测能力和DeepSORT的稳定跟踪能力，实现了对视频流中多个对象的实时、准确检测和跟踪。在具体应用中，该项目能够对视频中的行人、车辆或其他物体进行实时定位、识别和持续跟踪，即使在复杂环境、对象互相遮挡或出现短暂消失的情况下也能保持较好的跟踪性能。这样的技术在智能监控、自动驾驶、无人机导航、体育赛事分析等多个领域都有着广泛的应用潜力。

安装：

1.克隆此存储库：

cd YOLOv9_DeepSORT

2.创造新环境 使用conda

conda env create -f conda.yml conda activate yolov9-deepsort

使用点

python3 -m virtualenv -p python3.11 yolov9-deepsort source yolov9-deepsort/bin/activate pip install -r requirements.txt

3.克隆 YOLOv9 存储库：

pip install -r requirements.txt mv ../object_tracking.py ../yolov9

4.下载模型重量

mkdir weights

1. 准备视频文件：

   • 将视频文件放置在所需位置。
   • 更新video视频文件路径中的标志或将其设置为0使用网络摄像头作为输入。

2. 下载YOLOv9模型：

   • 确保对应的模型权重可用。

3. 配置输出视频：

   • 更新output代码中的标志以指定输出视频文件的路径和文件名。

4. 设置置信度阈值：

   • 调整conf代码中的标志以设置对象检测的置信度阈值。置信度低于此阈值的对象将被过滤掉。

5. 如果您想检测并跟踪视频中的某些对象

   • 修改class_id代码中的flag，指定检测的类ID。该标志的默认值设置为 None。如果您只想检测和跟踪人员，请将其设置为 0，或参考 coco.names 文件了解其他选项。

6. 如果您想在跟踪时模糊某些对象

   • 修改bulr_id代码中的flag，指定检测的类ID。该标志的默认值设置为 None。

7. 运行代码：

   用法

8. 准备视频文件：

   • 将视频文件放置在所需位置。
   • 更新video视频文件路径中的标志或将其设置为0使用网络摄像头作为输入。

9. 下载YOLOv9模型：

   • 确保对应的模型权重可用。​ (YOLOv9-S/YOLOv9-M/ YOLOv9-C / YOLOv9-E ) ​

10. 配置输出视频：

    • 更新output代码中的标志以指定输出视频文件的路径和文件名。

11. 设置置信度阈值：

    • 调整conf代码中的标志以设置对象检测的置信度阈值。置信度低于此阈值的对象将被过滤掉。

12. 如果您想检测并跟踪视频中的某些对象

    • 修改class_id代码中的flag，指定检测的类ID。该标志的默认值设置为 None。如果您只想检测和跟踪人员，请将其设置为 0，或参考 coco.names 文件了解其他选项。

13. 如果您想在跟踪时模糊某些对象

    • 修改bulr_id代码中的flag，指定检测的类ID。该标志的默认值设置为 None。

14. 运行代码：

# Run object tracking
python object_tracking.py --video ./data/test.mp4 --output ./output/output.mp4

# Run object tracking on webcam (set video flag to 0)
python object_tracking.py --video 0 --output ./output/webcam.mp4

# Run person tracking (set class_id flag to 0 for person)
python object_tracking.py --video ./data/test.mp4 --output ./output/output.mp4 --class_id 0