如何使用 Ultralytics YOLO11 进行目标跟踪

假设你想在制造工厂监控并跟踪装配线上零部件的移动，以确保质量控制并提高工作流程效率。通常，这需要人工检查或使用基础传感器跟踪物品，既耗时又容易出错。不过，你可以使用计算机视觉和目标跟踪来自动化并改进这一流程。

目标跟踪是一项计算机视觉任务，可帮助检测、识别和跟踪视频中的目标。它可用于各种场景，从农场的动物监测，到零售商店的安全和监控。视频中的跟踪目标通常会用边界框进行可视化，帮助用户准确查看目标在视频帧中的位置及检测结果。

在 Ultralytics 年度混合活动 YOLO Vision 2024 (YV24) 上发布的 Ultralytics YOLO11是一种计算机视觉模型，可处理各种视觉 AI 任务，包括目标跟踪。（YOLO11 后续已由 Ultralytics YOLO26接替。）本文将介绍目标跟踪的工作原理，并探讨其在现实中的应用。我们还会了解如何使用 YOLO11 尝试目标跟踪。现在开始吧！

图 1. 使用 Ultralytics YOLO11 在零售商店中进行目标跟踪的示例。

使用 Ultralytics YOLO11 实现 AI 驱动的目标跟踪#

目标跟踪是一项重要的计算机视觉技术，可以识别视频中的目标并持续跟踪。目标跟踪看起来可能与另一项计算机视觉任务非常相似：目标检测。两者的关键区别在于处理视频帧的方式。目标检测会单独查看每一帧，识别并分类目标，但不会考虑之前或之后的帧。相较之下，目标跟踪会关联不同帧中的信息，持续跟踪同一目标，并记录其移动情况。

下面详细介绍目标跟踪的工作原理：

• 目标检测：首先检测视频单帧中的目标。YOLO11 可用于准确识别多个目标及其位置。
• 分配唯一 ID：为每个检测到的物体分配唯一 ID，以便将其与其他物体区分开来，方便跟踪。
• 跨帧跟踪移动：跟踪算法会在后续帧中持续跟踪目标，在更新其位置的同时，维持目标与其唯一 ID 之间的关联。
• 处理遮挡：如果目标暂时从视野中消失（例如被另一个目标挡住），跟踪器会在目标重新出现后尝试使用相同的 ID 恢复跟踪。
• 更新物体信息：随着物体移动，系统会持续更新其位置和属性（例如速度或方向），以反映随时间发生的变化。

Ultralytics 支持使用 BoT-SORT和 ByteTrack等跟踪算法进行实时目标跟踪。它还支持搭配分割和姿势估计 YOLO11 模型使用，因此适用于各种跟踪任务。

Ultralytics YOLO11 目标跟踪的应用#

Ultralytics YOLO11 模型的多样化能力为各行各业带来了广泛的应用可能。下面来看看 YOLO11 目标跟踪的一些用例。

使用 Ultralytics YOLO11 跟踪自动驾驶车辆#

目标跟踪对于帮助自动驾驶汽车安全、高效地运行至关重要。这些车辆需要持续了解周围环境，才能实时决定停车、转弯或变道等操作。目标检测可帮助汽车识别环境中的关键元素，例如行人、骑行者、其他车辆和交通标志。然而，仅在某一时刻检测到这些目标并不足以确保安全导航。

这时就需要目标跟踪了。它可以让汽车持续跟踪这些目标，观察它们在多帧中的移动情况。例如，它可以帮助自动驾驶汽车预测行人的行进方向、监测附近车辆的速度和方向，或识别交通灯是否一直没有变化。通过结合检测和跟踪，自动驾驶汽车能够预测周围目标的移动，主动做出反应，从而安全、平稳地行驶。

图 2. Ultralytics YOLO11 可用于检测并跟踪汽车。

使用 Ultralytics YOLO11 目标跟踪监测动物#

在农场跟踪动物（例如牛）对于有效管理至关重要，但这项工作可能既繁琐又耗时。使用传感器或标签等传统方法往往存在缺点。这些设备安装在动物身上时可能使动物感到紧张，而且容易脱落或损坏，导致跟踪中断。

计算机视觉为农场提供了更好的解决方案，让农民无需使用实体标签就能监测和跟踪动物。目标跟踪能为农民提供有关动物行为和健康状况的重要信息。例如，它可以帮助检测跛行等影响动物步态的情况。借助目标跟踪，农民可以发现动物动作的细微变化，并及早处理健康问题。

除了健康监测，计算机视觉还可以帮助农民了解动物的其他行为，例如社交互动、进食习惯和移动模式。这些信息有助于改善畜群管理、优化喂养时间安排，并提升动物的整体福祉。计算机视觉跟踪能够减少人工劳动，尽量降低动物的压力，是一种适用于现代农业的实用、高效工具。

图 3. 使用 Ultralytics YOLO11 跟踪农户和一头牛。

使用 Ultralytics YOLO11 在制造业中进行目标跟踪#

目标跟踪在制造业有许多用例。例如，目标检测和跟踪系统可以监控生产线。产品或原材料在传送带上移动时，可以轻松进行跟踪和计数。这些系统还可以与其他计算机视觉系统集成，以执行更多任务。例如，可以使用缺陷检测系统识别有缺陷的物品，再使用目标跟踪确保物品得到妥善处理。

目标跟踪在制造业的另一项重要应用与安全有关。目标跟踪系统可用于检测和跟踪潜在危险制造环境中的工人。计算机视觉系统可以标记并持续监控危险区域；如果被跟踪的工人靠近这些区域，系统就会通知主管。此类安全系统还可用于检测和跟踪设备，从而降低盗窃风险。

图 4. 使用 YOLO11 目标检测来检测工人的示例。

使用 Ultralytics YOLO11 进行目标跟踪和监控#

实时目标跟踪广泛应用于安全和监控系统。这些系统可用于监控公共场所、交通枢纽以及购物中心等大型零售场所。大型拥挤区域可以利用这项技术跟踪可疑人员或人群行为，并进行持续监控。例如，在疫情期间，目标跟踪系统曾用于监测拥挤区域，确保人们保持社交距离。

目标跟踪也可用于交通监控。目标跟踪能够追踪并分析车辆行为，实时发现异常或可疑行为，帮助预防事故或犯罪。速度估计系统就是一个很好的例子。这类系统可以检测并跟踪车辆，以确定其速度。

图 5. 可以使用目标跟踪进行速度估算。

使用 Ultralytics YOLO11 体验目标跟踪#

了解了一些目标跟踪的应用后，下面来看看如何使用 Ultralytics YOLO11 模型和跟踪模式进行尝试。

首先，通过 pip、conda 或 Docker 安装 Ultralytics Python 软件包。如果安装时遇到问题，可以参考我们的常见问题指南获取实用的故障排除建议。

成功安装软件包后，运行以下代码。代码演示了如何加载 Ultralytics YOLO11 模型，并用它跟踪视频文件中的目标。代码中使用的模型是“yolo11n.pt”。其中的“n”代表 Nano，是 YOLO11 模型中最小的版本。此外还有其他模型版本可供选择：小型、中型、大型和超大型。

图 6. 展示如何使用 Ultralytics YOLO11 模型进行目标跟踪的代码片段。

你也可以选择使用自定义训练的模型，而不是预训练模型。自定义训练是指对预训练模型进行微调，使其适用于你的具体应用。

如前所述，以下 YOLO11 模型支持目标跟踪：目标检测、姿势估计和实例分割。如果你的应用涉及跟踪，可以根据具体需求对这些模型中的任意一个进行自定义训练。你可以使用 Ultralytics Python 软件包，或无代码平台 Ultralytics HUB（现为 Ultralytics Platform）自定义训练模型。

要点#

Ultralytics YOLO11 是一款出色的视频目标跟踪工具，可用于自动驾驶汽车、农业、制造业和安防等多个领域。它能够实时检测并跟踪目标，帮助企业和行业追踪工人和设备。该模型易于使用，还能根据具体需求进行定制，因此适合任何有意采用计算机视觉的人。

如需了解更多信息，请访问我们的 GitHub 代码仓库，并参与我们的社区交流。欢迎在我们的解决方案页面探索自动驾驶汽车和农业领域的 AI 应用。