如何使用 Ultralytics YOLO11 进行目标跟踪
和我们一起深入了解如何使用 Ultralytics YOLO11 进行目标跟踪，应用于监控、农业和制造业等实时场景。
假设你想监控并跟踪制造业设施中装配线上的零部件运动，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本传感器来跟踪物品，但这种方式可能耗时且容易出错。不过，你可以利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，可帮助你检测、识别和跟踪视频中的目标。它的应用范围非常广泛，从农场中的动物监测，到零售商店中的安防与监控。视频中被跟踪的目标通常会使用可视化的边界框来呈现，帮助用户准确查看它们在视频帧中的位置以及被检测到的位置。
Ultralytics年度混合活动期间推出的YOLO Vision 2024 (YV24)中，Ultralytics YOLO11是一种计算机视觉模型，可以处理各种视觉 AI任务，包括目标跟踪。在本文中，我们将了解目标跟踪的工作原理，并讨论其在现实世界中的应用。我们还将介绍如何使用YOLO11试用目标跟踪。让我们开始吧！
图 1。在零售店中使用 Ultralytics YOLO11 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。它可以识别并持续跟踪视频中的目标。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。两者的主要区别在于处理视频帧的方式。目标检测会单独查看每一帧，识别并分类其中的目标，而不会考虑之前或之后的帧。另一方面，目标跟踪会连接各帧之间的信息，持续跟踪相同目标，并记录它们的运动情况。
下面将更详细地介绍目标跟踪的工作原理：
- 目标检测：首先，在视频的单个帧中检测目标。YOLO11可用于准确识别多个目标及其位置。
- 分配唯一 ID：为每个检测到的目标分配唯一 ID，以便将其与其他目标区分开来，并使跟踪更加容易。
- 跨帧跟踪运动：跟踪算法会在后续帧中跟踪目标，更新其位置，同时保持目标与其唯一 ID 之间的关联。
- 处理遮挡：如果目标暂时从视野中消失（例如被另一个目标遮挡），系统会确保目标重新出现后恢复跟踪。
- 更新目标信息：随着目标移动，系统会持续更新其位置和属性（如速度或方向），以反映随时间发生的变化。
Ultralytics通过采用BoT-SORT和ByteTrack等先进跟踪算法，支持实时目标跟踪。它还可以与分割和姿态估计YOLO11模型无缝协作，因此能够灵活处理各种跟踪任务。
Ultralytics YOLO11 目标跟踪的应用#
Ultralytics YOLO11模型的多样化能力为许多行业开辟了广泛的应用可能。下面让我们进一步了解一些YOLO11目标跟踪用例。
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，以便实时做出停车、转弯或变道等决策。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。然而，仅在某一时刻检测到这些目标，并不足以实现安全导航。
这正是目标跟踪发挥作用的地方。它可以让汽车持续跟踪这些目标，记录它们在多个帧中的运动情况。例如，它可以帮助自动驾驶车辆预测行人的行进方向，监测附近车辆的速度和方向，或识别交通信号灯是否一直没有变化。通过结合检测和跟踪，自动驾驶汽车可以预测周围目标的运动，主动做出响应，从而安全、平稳地行驶。
图 2。Ultralytics YOLO11 可用于检测和跟踪汽车。
使用 Ultralytics YOLO11 目标跟踪监测动物#
在农场中跟踪动物，例如牛，对于高效管理至关重要，但这可能是一项繁琐且耗时的任务。使用传感器或标签等传统方法通常存在缺点。这些设备安装后可能会使动物感到紧张，还容易脱落或损坏，从而干扰跟踪。
计算机视觉为农户提供了更好的解决方案，让他们无需实体标签即可监测和跟踪动物。目标跟踪可以为农户提供有关动物行为和健康状况的宝贵洞察。例如，它可以帮助检测跛行等影响动物行走方式的状况。通过使用目标跟踪，农户可以发现运动中的细微变化，并及早处理健康问题。
除了健康监测之外，计算机视觉还可以帮助农户了解其他行为，例如社交互动、进食习惯和运动模式。这些洞察可以改善畜群管理、优化喂食计划，并促进动物的整体福祉。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一种实用且高效的工具。
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#
目标跟踪在制造业领域有许多应用。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，可以轻松地进行跟踪和计数。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，再通过目标跟踪对其进行跟踪，确保它得到妥善处理。
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和跟踪处于潜在危险制造环境中的工人。可以使用计算机视觉系统持续标记和监控危险区域；如果（被跟踪的）工人靠近这些区域，主管就会收到通知。此类安全系统还可用于检测和跟踪设备，防止发生盗窃。
图 4。使用 YOLO11 目标检测来检测工作人员的示例。
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、交通枢纽以及购物中心等大型零售环境。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，从而提供无缝的监控解决方案。例如，在疫情期间，目标跟踪系统被用于跟踪拥挤区域，并确保人们保持社交距离。
目标跟踪也可以应用于交通监控。目标跟踪可以跟踪和分析车辆的行为，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。它们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计。
使用 Ultralytics YOLO11 尝试目标跟踪#
现在我们已经了解了一些目标跟踪应用，下面来讨论如何使用Ultralytics YOLO11模型进行尝试。
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问题，我们的常见问题指南提供了实用的故障排除建议。
成功安装软件包后，运行以下代码。该代码展示了如何加载Ultralytics YOLO11模型，并使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，即YOLO11模型中最小的变体。此外还可以选择其他模型变体，包括小型、中型、大型和超大型。
图 6。展示使用 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。自定义训练包括对预训练模型进行微调，使其适合你的特定应用。
如前文所述，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其中任一模型进行自定义训练。你可以使用Ultralytics Python软件包或无代码平台Ultralytics HUB对模型进行自定义训练。
要点总结#
Ultralytics YOLO11 是一款出色的视频目标跟踪工具，可应用于自动驾驶汽车、农业、制造业和安全防护等许多不同领域。它能够实时检测和跟踪目标，帮助企业和行业跟踪工作人员和设备。该模型易于使用，并可针对特定需求进行定制，因此对于希望无缝采用计算机视觉能力的用户来说是一个不错的选择。
如需了解更多信息，请访问我们的 GitHub 代码仓库，并加入我们的社区。在我们的解决方案页面上探索 自动驾驶汽车和农业领域的 AI 应用。🚀
