yolov8行人车辆检测与计数系统

news2024/10/1 3:20:31

yolov8行人车辆检测与计数系统（Python+YOLOv8+deepsort车辆追踪深度学习模型+清新界面）
（1）YOL v8算法实现，模型一键切换更新；
（2）检测图片、视频等图像中的各目标数目；
（3）摄像头监控实时检测，便携展示、记录和保存；
（4）支持切换目标，各目标位置切换查看；
（5）提供数据集和训练代码可重新训练；
支持定制功能（车辆追踪，车辆测试），车牌识别，红绿灯识别

项目概述

YOLOv8：用于目标检测，它是一个快速准确的对象检测模型。
DeepSORT：用于对检测到的目标进行追踪，它结合了外观特征和运动信息。
GUI：提供用户友好的界面，用于启动程序、选择模型、显示结果等。

技术栈

Python：编程语言。
YOLOv8：对象检测模型。
DeepSORT：目标追踪算法。
PyQt5 或 Tkinter：用于构建GUI。
OpenCV：用于图像处理和视频流。

安装依赖

1pip install ultralytics yolov5 deepsort_pytorch opencv-python-headless PyQt5

关键代码

1. 设置YOLOv8模型加载

1from ultralytics import YOLO
2import cv2
3
4# 加载YOLOv8模型
5model = YOLO("yolov8n.pt")  # 使用较小的预训练模型

2. 实现DeepSORT

1from deep_sort_pytorch.utils.parser import get_config
2from deep_sort_pytorch.deep_sort import DeepSort
3
4# 初始化DeepSORT
5cfg = get_config()
6cfg.merge_from_file("deep_sort_pytorch/configs/deep_sort.yaml")
7deepsort = DeepSort(cfg.DEEPSORT.REID_CKPT,
8                    max_dist=cfg.DEEPSORT.MAX_DIST, min_confidence=cfg.DEEPSORT.MIN_CONFIDENCE,
9                    nms_max_overlap=cfg.DEEPSORT.NMS_MAX_OVERLAP, max_iou_distance=cfg.DEEPSORT.MAX_IOU_DISTANCE,
10                    max_age=cfg.DEEPSORT.MAX_AGE, n_init=cfg.DEEPSORT.N_INIT, nn_budget=cfg.DEEPSORT.NN_BUDGET,
11                    use_cuda=True)

3. 目标检测和追踪

1def detect_and_track(frame):
2    # 使用YOLOv8检测目标
3    results = model(frame)
4
5    # 提取检测结果
6    boxes = []
7    scores = []
8    class_ids = []
9
10    for result in results:
11        boxes = result.boxes.xyxy.cpu().numpy().astype(int)
12        scores = result.boxes.conf.cpu().numpy()
13        class_ids = result.boxes.cls.cpu().numpy().astype(int)
14
15    # 使用DeepSORT进行目标追踪
16    outputs = deepsort.update(boxes, scores, class_ids, frame)
17
18    # 绘制追踪框
19    for output in outputs:
20        x1, y1, x2, y2, obj_id, cls_pred = output
21        cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
22        cv2.putText(frame, f"{obj_id}-{int(cls_pred)}", (int(x1), int(y1)), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
23
24    return frame

4. GUI部分

这里我们可以使用PyQt5来创建一个简单的界面，用于控制模型的选择和显示检测结果。

1from PyQt5.QtWidgets import QApplication, QMainWindow, QPushButton, QLabel, QVBoxLayout, QWidget
2from PyQt5.QtGui import QImage, QPixmap
3from PyQt5.QtCore import QTimer
4
5class App(QMainWindow):
6    def __init__(self):
7        super().__init__()
8        self.initUI()
9
10    def initUI(self):
11        self.setWindowTitle('YOLOv8 + DeepSORT')
12        self.setGeometry(100, 100, 800, 600)
13
14        self.label = QLabel(self)
15        self.label.resize(640, 480)
16        self.setCentralWidget(self.label)
17
18        # 创建定时器
19        self.timer = QTimer(self)
20        self.timer.timeout.connect(self.update_frame)
21        self.timer.start(30)  # 每秒更新30次
22
23    def update_frame(self):
24        # 获取摄像头帧
25        ret, frame = cap.read()
26        if ret:
27            frame = detect_and_track(frame)
28            height, width, channel = frame.shape
29            bytesPerLine = 3 * width
30            qImg = QImage(frame.data, width, height, bytesPerLine, QImage.Format_RGB888).rgbSwapped()
31            self.label.setPixmap(QPixmap.fromImage(qImg))
32
33if __name__ == '__main__':
34    import sys
35    app = QApplication(sys.argv)
36    ex = App()
37    ex.show()
38    sys.exit(app.exec_())