如何使用 Ultralytics YOLO11 进行目标跟踪

假设您想监控和跟踪制造工厂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，这将涉及手动检查或使用基本传感器来跟踪物品，这可能非常耗时且容易出错。但是，计算机视觉和物体跟踪可用于自动化和增强此过程。 

目标跟踪是一种 计算机视觉任务，可帮助检测、识别和跟踪视频中的目标。它可用于各种应用，从农场的 动物监测 到 零售 商店中的 安全 和 监控。视频中被跟踪的目标通常使用 边界框 进行可视化，以帮助用户准确地看到它们在视频帧中的位置和被检测到的位置。

在 Ultralytics 年度混合活动 YOLO Vision 2024 (YV24) 期间发布的 Ultralytics YOLO11 是一个 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，我们将探讨 目标跟踪 的工作原理，并讨论实际应用。我们还将了解如何使用 YOLO11 尝试目标跟踪。让我们开始吧！

​

基于 YOLO11 的人工智能物体追踪

目标跟踪是一项重要的计算机视觉技术。它使视频中的对象能够被识别和随时间跟踪。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。两者之间的关键区别在于它们如何处理视频帧。目标检测单独查看每个帧，识别和分类对象，而不考虑之前或之后的帧。目标跟踪则连接帧之间的点，随时间跟踪相同的对象，并跟踪它们的运动。

以下是 目标跟踪 工作原理的更详细介绍：

• 对象检测：该过程首先检测视频单帧中的对象。YOLO11 可用于准确识别多个对象及其位置。
  ‍
• 分配唯一 ID：为每个检测到的对象分配一个唯一的 ID，以将其与其他对象区分开来，并使其更易于跟踪。
  ‍
• 跨帧跟踪移动：跟踪算法跟踪后续帧中的对象，更新它们的位置，同时保持与它们唯一 ID 的关联。
  ‍
• 处理遮挡：如果物体暂时从视野中消失（例如，被另一个物体挡住），系统会确保在物体重新出现后恢复跟踪。
  ‍
• 更新对象信息: 随着物体的移动，它们的位置和属性（如速度或方向）会不断更新，以反映随时间的变化。

Ultralytics 通过利用 BoT-SORT 和 ByteTrack 等先进的跟踪算法来支持实时对象跟踪。它还可以与分割和姿势估计 YOLO11 模型无缝协作，使其成为各种跟踪任务的灵活工具。

YOLO11 目标跟踪的应用

Ultralytics YOLO11 模型的多功能性为许多行业开辟了广泛的可能应用。让我们仔细看看 YOLO11 对象跟踪的一些用例。

YOLO11 用于自动驾驶车辆跟踪

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。这些车辆需要不断了解周围环境才能做出实时决策，例如停止、转弯或变道。目标检测使汽车能够识别其环境中的关键要素，例如行人、骑自行车的人、其他车辆和交通标志。但是，仅在某一时刻检测到这些物体不足以实现安全导航。

这就是目标跟踪的用武之地。 它使汽车可以随时间推移跟踪这些物体，从而跟踪它们在多个帧中的移动。 例如，它可以帮助自动驾驶汽车预测行人走向何处，监控附近车辆的速度和方向，或者识别交通信号灯尚未改变。 通过结合检测和跟踪，自动驾驶汽车可以预测周围物体的运动，主动做出反应，并安全平稳地行驶。

​

使用 YOLOv8 目标跟踪来监测动物

在农场上跟踪动物（如牛）对于有效管理至关重要，但这是一项繁琐且耗时的任务。传统的传感器或标签等方法通常存在缺点。这些设备在连接时会给动物带来压力，并且容易脱落或损坏，从而扰乱跟踪。

计算机视觉为农民提供了一种更好的解决方案，无需物理标签即可监控和跟踪动物。目标跟踪可以为农民提供有关动物行为和健康的宝贵见解。例如，它可以帮助检测影响动物行走方式的疾病，如跛足。通过使用目标跟踪，农民可以发现运动的细微变化并及早解决健康问题。

除了健康监测之外，计算机视觉还可以帮助农民了解其他行为，例如社交互动、饮食习惯和运动模式。这些见解可以改善畜群管理，优化喂养计划，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，基于计算机视觉的跟踪是现代农业的一种实用且高效的工具。

​

在制造业中使用 YOLO11 进行目标跟踪

目标跟踪在 制造业 领域有许多用例。例如，目标检测和跟踪系统可以监控生产线。产品或原材料可以在传送带上移动时轻松地被跟踪和计数。这些系统还可以与其他 计算机视觉 系统集成以执行其他任务。例如，可以使用 缺陷检测 系统识别有缺陷的物品，并使用目标跟踪来确保对其进行适当处理。

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潜在危险制造环境中的工人。可以使用计算机视觉系统标记和持续监控危险区域，如果工人（被跟踪）靠近这些区域，则可以通知主管。这种安全系统还可用于检测和跟踪设备，从而防止盗窃的发生。 

​

使用 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、交通枢纽和大型零售环境（如购物中心）。大型拥挤区域可以使用此技术来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，以帮助预防事故或犯罪。一个很好的例子是 速度估计 系统。它们可以检测和 跟踪车辆 以确定其速度。

​

尝试使用 Ultralytics YOLO11 进行对象跟踪

既然我们已经探讨了一些目标跟踪应用，接下来让我们讨论一下如何使用 Ultralytics YOLO11 模型来尝试它。 

要开始使用，请使用 pip、conda 或 Docker 安装 Ultralytics Python 包。如果您在安装过程中遇到任何挑战，我们的 常见问题解答指南 提供了有用的故障排除技巧。 

成功安装软件包后，运行以下代码。它概述了如何加载 Ultralytics YOLO11 模型并使用它来跟踪视频文件中的对象。代码中使用的模型是“yolo11n.pt”。“n”代表 Nano，是 YOLO11 模型的最小变体。还有其他模型变体可供选择 - small、medium、large 和 extra-large。

​

您还可以选择使用自定义训练的模型，而不是预训练模型。自定义训练涉及微调预训练模型，以适应您的特定应用。 

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。 如果您有涉及跟踪的特定应用，您可以根据您的应用自定义训练这些模型中的任何一个。 您可以使用 Ultralytics Python 包 或 无代码平台 Ultralytics HUB 自定义训练模型。 

主要要点

Ultralytics YOLO11 是一个出色的视频对象跟踪工具，可应用于自动驾驶汽车、农业、制造业和安全等诸多领域。它可以实时检测和跟踪对象，帮助企业和行业跟踪其员工和设备。该模型易于使用，并且可以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，这都是一个不错的选择。 

要了解更多信息，请访问我们的 GitHub 仓库，并与我们的 社区 互动。在我们的解决方案页面上探索 自动驾驶汽车 和 农业 中的 AI 应用。🚀