与我们一起深入了解如何在监控、农业和制造业等实时应用中使用Ultralytics YOLO11 进行目标跟踪。
Cookie 设置
点击“接受所有 Cookie”，即表示您同意在您的设备上存储 Cookie，以增强网站导航、分析网站使用情况并协助我们的营销工作。更多信息
与我们一起深入了解如何在监控、农业和制造业等实时应用中使用Ultralytics YOLO11 进行目标跟踪。
比方说，您想监控和track 制造工厂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。通常情况下，这需要进行人工检查或使用基本的传感器来track 项目，这样做既费时又容易出错。然而，计算机视觉和物体跟踪可用于自动化和增强这一过程。
物体跟踪是一项计算机视觉任务，有助于detect、识别和track 视频中的物体。它的应用范围非常广泛，从农场的动物监控到零售店的安全监控，不一而足。视频中被跟踪的物体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检测位置。
在Ultralytics的年度混合活动 YOLO Vision 2024 (YV24) 期间发布、 Ultralytics YOLO11是一种计算机视觉模型，可以处理各种视觉人工智能任务，包括物体跟踪。在本文中，我们将探讨物体跟踪的工作原理，并讨论实际应用。我们还将介绍如何使用 YOLO11.让我们开始吧！
物体跟踪是一项重要的计算机视觉技术。它可以识别视频中的物体并对其进行长期跟踪。物体跟踪似乎与另一项计算机视觉任务--物体检测--非常相似。两者的关键区别在于如何处理视频帧。物体检测单独查看每一帧图像，对物体进行识别和分类，而不考虑前一帧或后一帧图像。而物体跟踪则是将帧与帧之间的点连接起来，在一段时间内track 相同的物体，并记录它们的运动轨迹。
以下是 目标跟踪 工作原理的更详细介绍：
Ultralytics 利用BoT-SORT和ByteTrack 等先进的跟踪算法，支持实时对象跟踪。它还能与分割和姿势估计 YOLO11 模型无缝配合，使其成为适用于各种跟踪任务的灵活工具。
Ultralytics YOLO11 模型的多功能性为许多行业开辟了广泛的应用领域。让我们来详细了解一些YOLO11 物体跟踪应用案例。
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。
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 为农民监控和track 动物提供了更好的解决方案，而无需物理标签。物体跟踪可以让农民对动物的行为和健康状况有宝贵的了解。例如，它可以帮助detect 影响动物行走方式的跛足等情况。通过使用物体追踪，养殖户可以发现动物运动的细微变化，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。
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。
物体跟踪在制造业中的另一个重要应用与安全有关。物体跟踪系统可用于detect 和track 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对危险区域进行标记和持续监控，如果（被跟踪的）工人靠近这些区域，主管人员就会收到通知。此类安全系统还可用于detect 和track 设备，防止盗窃。
实时目标跟踪被广泛应用于安全和监控系统中。这些系统可用于监控公共场所、交通枢纽和大型购物中心等大型零售环境。大型拥挤区域可利用这项技术track 可疑人员或人群行为，提供无缝监控解决方案。例如，在大流行病期间，物体跟踪系统被用于track 拥挤区域，确保人们保持社会距离。
物体跟踪也可用于交通监控。通过物体跟踪，可以track 和分析车辆的行为方式，实时发现异常或可疑行为，帮助预防事故或犯罪。速度估算系统就是一个很好的例子。它们可以detect 和track 车辆，以确定其速度。
既然我们已经探索了一些物体追踪应用，下面我们就来讨论一下如何使用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。如果在安装过程中遇到任何问题，我们的《常见问题指南》会提供有用的故障排除技巧。
安装成功后，运行以下代码。代码概述了如何加载Ultralytics YOLO11 模型，并用它来track 视频文件中的对象。代码中使用的模型是 "yolo11n.pt"。n "代表 Nano，即YOLO11 模型的最小变体。还有其他型号可供选择：小型、中型、大型和超大型。
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 模型支持对象跟踪：对象检测、姿势估计 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 软件包或无代码平台 Ultralytics HUB 对模型进行自定义训练。
Ultralytics YOLO11 是一款在视频中跟踪物体的优秀工具，可用于自动驾驶汽车、农业、制造业和安防等多个领域。它可以实时detect 和跟踪物体，帮助企业和行业track 工人和设备。该模型易于使用，可根据特定需求进行定制，对于有意无缝采用计算机视觉功能的人来说是一个不错的选择。
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。🚀
