YOLOv11目标检测实战2：人流统计、车流统计和跟踪（附源码）

news2024/11/24 6:35:16

一、演示效果

二、基础理论和核心概念

三、安装环境和依赖

四、工作流程和步骤

五、核心部分源码：

六、总结

一、演示效果

二、基础理论和核心概念

YOLOv11 是 YOLO 系列的最新版本，它不仅在目标检测方面表现出色，还引入了对象分割和多目标跟踪的功能。本文将介绍如何使用 YOLOv11 进行人流统计、车流统计以及跟踪的实际应用。

在实际应用场景中，如智能交通系统、安防监控、商业分析等，人流统计和车流统计是非常重要的任务。通过实时监测和统计人群和车辆的数量，可以提供关键的数据支持，帮助决策者进行有效的管理和规划。YOLOv11 结合了高效的目标检测和强大的多目标跟踪能力，非常适合这类应用。

三、安装环境和依赖

在开始之前，请确保你的开发环境已经安装了以下依赖：

Python 3.7+
PyTorch 1.8+（建议使用 CUDA 支持）
OpenCV 4.x
其他依赖库（如 NumPy, Pillow 等）

四、工作流程和步骤

4.1 人流统计

人流统计涉及检测图像或视频帧中的行人，并计算其数量。使用 YOLOv11 进行人流统计的基本步骤如下：

加载预训练模型：加载预先训练好的 YOLOv11 模型。
读取视频或图像：读取需要进行人流统计的视频或图像。
执行目标检测：对每一帧执行目标检测，获取所有行人的边界框。
统计人数：根据检测结果统计每帧中的人数。
输出结果：将统计结果保存到文件或显示在屏幕上。

4.2 车流统计

车流统计与人流统计类似，但检测的对象是车辆。基本步骤如下：

加载预训练模型：加载预先训练好的 YOLOv11 模型。
读取视频或图像：读取需要进行车流统计的视频或图像。
执行目标检测：对每一帧执行目标检测，获取所有车辆的边界框。
统计车辆数：根据检测结果统计每帧中的车辆数。
输出结果：将统计结果保存到文件或显示在屏幕上。

五、核心部分源码：


import cv2

from ultralytics import YOLO, solutions

# Load the pre-trained YOLOv8 model
model = YOLO("../checkpoints/yolo11n.pt")

# Open the video file
cap = cv2.VideoCapture("../inputs/007.mp4")
assert cap.isOpened(), "Error reading video file"

# Get video properties: width, height, and frames per second (fps)
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 points for a line or region of interest in the video frame
line_points = [(20, 600), (1080, 600)]  # Line coordinates

# Specify classes to count, for example: person (0) and car (2)
classes_to_count = [0, 2]  # Class IDs for person and car

# Initialize the video writer to save the output video
video_writer = cv2.VideoWriter("object_counting_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Initialize the Object Counter with visualization options and other parameters
counter = solutions.ObjectCounter(
    view_img=True,  # Display the image during processing
    reg_pts=line_points,  # Region of interest points
    names=model.names,  # Class names from the YOLO model
    draw_tracks=True,  # Draw tracking lines for objects
    line_thickness=2,  # Thickness of the lines drawn
)

# Process video frames in a loop
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    # Perform object tracking on the current frame, filtering by specified classes
    tracks = model.track(im0, persist=True, show=False, classes=classes_to_count)

    # Use the Object Counter to count objects in the frame and get the annotated image
    im0 = counter.start_counting(im0, tracks)

    # Write the annotated frame to the output video
    video_writer.write(im0)

# Release the video capture and writer objects
cap.release()
video_writer.release()

# Close all OpenCV windows
cv2.destroyAllWindows()