如何使用 Ultralytics YOLO11 进行目标追踪

假设你需要监控和追踪 制造 设施装配线上组件的移动，以确保 质量控制 并提高工作流程效率。通常，这涉及人工检查或使用基础传感器来追踪物品，这既耗时又容易出错。然而，计算机视觉 和 目标追踪 可以用来自动化并增强这一过程。

Object tracking is a computer vision task that helps detect, identify, and track objects in a video. It can be used for a wide variety of applications, from animal monitoring on farms to security and surveillance in retail stores. The objects being tracked in a video are usually visualized using bounding boxes to help the user see exactly where they are located and detected within the video frame.

Launched during Ultralytics’ annual hybrid event, YOLO Vision 2024 (YV24), Ultralytics YOLO11 is a computer vision model that can handle a wide variety of vision AI tasks, including object tracking. In this article, we’ll explore how object tracking works and discuss real-world applications. We’ll also take a look at how you can try out object tracking using YOLO11. Let’s get started!

图 1. 在零售店中使用 YOLO11 进行目标追踪的示例。

Link to this section利用 YOLO11 实现 AI 驱动的目标追踪#

目标追踪 是一项核心的计算机视觉技术。它使视频中的对象能够被识别并持续追踪。目标追踪看起来与另一种计算机视觉任务——目标检测——非常相似。两者之间的主要区别在于它们处理视频帧的方式不同。目标检测 逐帧查看，识别和分类对象时不会考虑之前或之后的帧。目标追踪 则连接帧之间的关系，随时间跟进相同的对象并持续追踪它们的移动轨迹。

以下是 目标追踪 工作原理的详细介绍：

• 目标检测：该过程始于在视频的单帧中检测对象。YOLO11 可用于准确识别多个对象及其位置。
• 分配唯一 ID：每个检测到的对象都会被赋予一个唯一 ID，以将其与其他对象区分开来，并使其更易于追踪。
• 跨帧 追踪移动：追踪算法会在后续帧中跟进对象，在保持与唯一 ID 的关联的同时更新它们的位置。
• 处理遮挡：如果对象暂时从视野中消失（例如被其他对象挡住），系统会确保对象重新出现后追踪能够自动恢复。
• 更新对象信息：随着对象的移动，它们的位置和属性（如速度或方向）会被持续更新，以反映随时间的变化。

Ultralytics 通过利用 BoT-SORT 和 ByteTrack 等高级追踪算法来支持实时目标追踪。它还可以与 分割 和 姿态估计 YOLO11 模型 无缝协作，使其成为适用于广泛追踪任务的灵活工具。

Link to this sectionYOLO11 目标追踪的应用#

Ultralytics YOLO11 模型 的多功能性为许多行业提供了广泛的应用可能。让我们更深入地了解一些 YOLO11 目标追踪的使用案例。

Link to this sectionYOLO11 用于自动驾驶汽车追踪#

目标追踪对于帮助 自动驾驶 汽车安全高效地运行至关重要。这些车辆需要不断了解周围环境，以做出实时决策，例如停车、转弯或变道。目标检测 允许汽车识别环境中的关键要素，如行人、骑自行车的人、其他车辆和交通标志。然而，仅在单一时刻检测这些对象不足以实现安全导航。

这就是目标追踪发挥作用的地方。它让汽车能够随时间跟随这些对象，追踪它们在多个帧中的移动。例如，它能帮助 自动驾驶汽车 预测行人的去向，监测附近车辆的速度和方向，或识别交通信号灯是否未变。通过结合 检测 和追踪，自动驾驶汽车可以预测周围对象的移动，主动做出响应，从而安全平稳地行驶。

图 2. YOLO11 可用于检测和追踪汽车。

Link to this section使用 YOLO11 目标追踪监测动物#

农场中的 动物追踪（如牛群）对于有效管理至关重要，但这可能是一项枯燥且耗时的任务。传统方法（如使用传感器或标签）通常有缺点。这些设备在安装时会给动物带来压力，且容易脱落或损坏，从而中断追踪。

Computer vision provides a better solution for farmers to monitor and track animals without the need for physical tags. Object tracking can give farmers valuable insights into the animals’ behavior and health. For example, it can help detect conditions like lameness that affect the way an animal walks. By using object tracking, farmers can spot subtle changes in movement and address health issues early.

除了健康监测，计算机视觉 还可以帮助 农民 了解其他行为，如社交互动、饮食习惯和移动模式。这些见解可以改善畜群管理，优化饲喂计划，并促进动物的整体福祉。通过减少体力劳动并最大限度地减少动物的压力，基于 计算机视觉 的追踪技术是现代农业中一种实用且高效的工具。

图 3. 使用 YOLO11 追踪农民和奶牛。

Link to this section在制造业中使用 YOLO11 进行目标追踪#

Object tracking has many use cases in the manufacturing sector. For example, object detection and tracking systems can monitor production lines. Products or raw materials can be easily tracked and counted as they move on a conveyor belt. These systems can also be integrated with other computer vision systems to perform additional tasks. For instance, an item with a defect can be identified using a defect detection system and tracked using object tracking to ensure it’s properly taken care of.

制造业中目标追踪的另一个重要应用与 安全 相关。目标追踪系统可用于在潜在危险的制造环境中检测和追踪工人。可以使用 计算机视觉 系统对危险区域进行标记和持续监控，如果被追踪的工人靠近这些区域，主管会收到通知。此类 安全系统 也可用于检测和追踪设备，防止 盗窃 风险。

图 4。YOLO11 目标检测被用于检测工人的示例。

Link to this section使用 YOLO11 进行目标追踪和监控#

实时目标追踪被广泛用于安防和监控系统。这些系统可用于 监控公共场所、交通枢纽 以及像购物中心这样的大型 零售环境。在拥挤的大型区域中，可以使用这项技术来追踪可疑人员或人群行为，从而提供无缝的监控解决方案。例如，在疫情期间，目标追踪系统被用于追踪拥挤区域，并确保人们保持社交距离。

目标追踪也可以用于 交通监控。目标追踪使追踪和分析车辆行为成为可能，实时发现异常或可疑行为以帮助预防事故或犯罪。一个很好的例子是 速度估计 系统。它们可以检测并 追踪车辆 以确定其速度。

图 5。利用目标追踪可以实现速度估计。

Link to this section试用 Ultralytics YOLO11 的目标追踪功能#

既然我们已经探讨了一些目标追踪应用，让我们讨论一下如何使用 Ultralytics YOLO11 模型 进行试用。

要 开始使用，请使用 pip、conda 或 Docker 安装 Ultralytics Python 软件包。如果你在安装过程中遇到任何挑战，我们的 常见问题指南 提供了有用的故障排除建议。

成功 安装 软件包后，运行以下代码。它概述了如何加载 Ultralytics YOLO11 模型并使用它来追踪视频文件中的对象。代码中使用的模型是“yolo11n.pt”。‘n’ 代表 Nano——YOLO11 模型中最小的变体。还有其他模型变体可供选择——小型、中型、大型和超大型。

图 6. 展示使用 YOLO11 模型进行目标追踪的代码片段。

你也可以选择使用自定义训练的模型，而不是预训练模型。自定义训练涉及对预训练模型进行 微调，以适应你的 特定应用。

如前所述，目标跟踪支持以下YOLO11模型：目标检测、姿态估计和实例分割。如果你有涉及跟踪的具体应用，可以根据需要自定义训练这些模型中的任何一个。你可以使用 Ultralytics Python package 或无代码平台 Ultralytics HUB 来自定义训练模型。

Link to this section关键要点#

Ultralytics YOLO11 是用于追踪视频中对象的出色工具，可应用于许多不同领域，例如自动驾驶汽车、农业、制造业和安防。它可以实时检测和跟随对象，帮助企业和行业追踪其工人和设备。该模型易于使用，并可根据特定需求进行定制，对于任何有兴趣无缝采用计算机视觉功能的人来说，它都是一个不错的选择。

要了解更多信息，请访问我们的 GitHub 存储库，并与我们的社区互动。在我们的解决方案页面上探索 AI 在自动驾驶汽车和农业中的应用。🚀