如何使用 Ultralytics YOLO11 进行目标跟踪

假设你想在制造工厂监控并追踪装配线上组件的移动情况，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追踪物品，既耗时又容易出错。不过，你可以利用计算机视觉和目标跟踪实现这一流程的自动化并加以改进。

目标跟踪是一项计算机视觉任务，可帮助你检测、识别并跟踪视频中的物体。它适用于各种应用，从农场的动物监测，到零售商店的安保和监控，都能发挥作用。视频中被跟踪的物体通常会通过边界框进行可视化，方便用户准确查看物体在视频帧中的位置以及检测结果。

Ultralytics 年度混合活动 YOLO Vision 2024 (YV24)期间发布的 Ultralytics YOLO11是一款计算机视觉模型，能够处理各种视觉 AI任务，包括目标跟踪。在本文中，我们将探讨目标跟踪的工作原理，并介绍其实际应用。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，能够识别视频中的物体并持续跟踪其动态变化。目标跟踪看起来可能与另一项计算机视觉任务——目标检测非常相似。二者的主要区别在于处理视频帧的方式。目标检测会逐帧独立分析，识别并分类物体，但不会考虑之前或之后的帧。另一方面，目标跟踪会关联不同帧中的信息，持续跟踪同一物体并记录其移动情况。

下面将更详细地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物体。你可以使用 YOLO11准确识别多个物体及其位置。
• 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。
• 跟踪移动跨帧：跟踪算法会在后续帧中持续跟踪物体，在更新物体位置的同时，保留其与唯一 ID 的关联。
• 处理遮挡：如果物体暂时消失在视野中（例如被其他物体挡住），系统会确保物体重新出现后继续跟踪。
• 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 支持实时目标跟踪，采用了 BoT-SORT和 ByteTrack等先进跟踪算法。它还可以与分割和姿态估计 YOLO11 模型无缝配合，是适用于各种跟踪任务的灵活工具。

Ultralytics YOLO11 目标跟踪的应用#

Ultralytics YOLO11 模型功能多样，可在许多行业中支持广泛的应用。下面我们来详细了解一些 YOLO11 目标跟踪的应用场景。

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、高效地行驶至关重要。这些车辆需要持续了解周围环境，以便实时决定停车、转弯或变道等操作。目标检测可以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。不过，仅在某一时刻检测到这些物体，并不足以确保安全行驶。

这时目标跟踪就派上用场了。它能让汽车持续跟踪这些物体，在多帧之间追踪其移动情况。例如，它可以帮助自动驾驶车辆预测行人的行进方向、监控附近车辆的速度和方向，或识别交通信号灯是否尚未变化。通过结合检测和跟踪，自动驾驶汽车能够预判周围物体的移动，主动做出响应，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。

计算机视觉为农户提供了更好的解决方案，无需实体标签即可监测并跟踪动物。目标跟踪能够为农户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会影响动物行走方式的状况。借助目标跟踪，农户可以发现行动方面的细微变化，及早处理健康问题。

除了健康监测之外，计算机视觉还能帮助农户了解其他行为，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、优化喂食时间安排，并促进动物的整体健康。通过减少人工劳动并尽量降低动物的压力，基于计算机视觉的跟踪成为现代农业中实用且高效的工具。

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应用场景。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，可以轻松跟踪并计数。这些系统还可以与其他计算机视觉系统集成，以执行其他任务。例如，可以使用缺陷检测系统识别有缺陷的物品，再通过目标跟踪跟踪该物品，确保其得到妥善处理。

目标跟踪在制造业中的另一个重要应用与安全有关。目标跟踪系统可用于检测并跟踪可能存在危险的制造环境中的工人。可以使用计算机视觉系统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，系统就会通知主管人员。这类安全系统还可用于检测并跟踪设备，防止盗窃。

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保和监控系统。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。人流密集的大型区域可以利用这项技术跟踪可疑人员或人群行为，从而实现无缝监控。例如，在疫情期间，目标跟踪系统曾用于跟踪人群密集区域，并确保人们保持社交距离。

目标跟踪也可用于交通监控。目标跟踪能够跟踪并分析车辆的行为，实时发现异常或可疑举动，从而帮助预防事故或犯罪。速度估算系统就是一个很好的例子。这类系统可以检测并跟踪车辆，以确定车辆速度。

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场景后，下面来看看如何使用 Ultralytics YOLO11 模型进行尝试。

要开始使用，请通过 pip、conda 或 Docker 安装 Ultralytics Python 包。如果安装过程中遇到问题，可以查看我们的常见问题指南，获取实用的故障排查建议。

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，并使用该模型跟踪视频文件中的物体。代码中使用的模型是“yolo11n.pt”。其中的“n”代表 Nano，即 YOLO11 模型中最小的规格。你还可以选择其他模型规格：small、medium、large 和 extra-large。

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，使其适用于你的特定应用。

如前所述，以下 YOLO11 模型支持目标跟踪：目标检测、姿态估计和实例分割。如果你的特定应用涉及跟踪，可以根据应用需求对这些模型进行自定义训练。你可以使用 Ultralytics Python 包或无代码平台 Ultralytics HUB自定义训练模型。

要点#

Ultralytics YOLO11 是一款非常适合跟踪视频中物体的工具，可用于自动驾驶汽车、农业、制造业和安保等许多领域。它能够实时检测并跟踪物体，帮助企业和行业跟踪工人和设备。该模型易于使用，也可根据特定需求进行定制，因此非常适合任何希望无缝采用计算机视觉能力的用户。

如需了解更多信息，请访问我们的 GitHub 代码库，并加入我们的社区交流。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。🚀