項目5目標跟蹤：基于YOLOv8-track的寵物貓目標跟蹤教學目標能力目標（1）掌握YOLOv8-track的模型加載、跟蹤執行。（2）掌握BoT-SORT和ByteTrack跟蹤器的參數配置。（3）掌握YOLOv8-track跟蹤結果的運動軌跡可視化。知識目標(1)了解目標跟蹤的定義與方法。(2)理解目標跟蹤的評估指標。(3)了解目標跟蹤在各行業的應用。(4)掌握目標跟蹤任務的流程與操作。工程目錄圖5-1是項目的主要文件和目錄結構。其中，track_logs為跟蹤結果保存目錄，model為存放模型文件的目錄，maskDetection_log為存放訓練和評估日志文件的目錄。yolov8-track.ipynb本項目的模型訓練與推理代碼文件，其余文件為數據處理文件。圖5-1項目的主要文件和目錄結構

+--Project5_track/|+--track_logs/#跟蹤結果保存目錄||+--track/|||--cats.avi||+--track2/|||--cats.avi|--cats.mp4#測試視頻文件|--yolov8n.pt#官方預訓練模型權重文件|--yolov8_seg_cat_best.pt#項目4的最佳訓練模型權重文件|--yolov8-track.ipynb#代碼5-1、5-2|--track_overtime.py#代碼5-3

目錄2認識YOLOv8-track1認識目標跟蹤3寵物貓運動軌跡追蹤可視化目錄2認識YOLOv8-track3寵物貓運動軌跡追蹤可視化1認識目標跟蹤1.認識目標跟蹤

任務目標(1)了解目標跟蹤的定義與方法。(2)理解目標跟蹤的評估指標。1.1目標跟蹤算法概述

目標跟蹤（ObjectTracking）是計算機視覺領域中的一個核心任務，它指的是在連續的圖像序列（如視頻）中，自動定位和維持對特定目標（如人、車輛、動物等）的識別和跟蹤。目標跟蹤算法的目標是在每一幀圖像中準確地識別出目標的位置，并記錄其隨時間的運動軌跡。在更技術性的層面上，目標跟蹤可以被定義為一個動態的優化問題，其中算法需要在每一幀中最小化一個目標函數，該目標函數衡量了預測的目標位置與實際目標位置之間的差異。這個過程涉及到多個步驟，包括但不限于目標檢測、特征提取、目標建模、狀態估計、數據關聯和跟蹤維護。1.1目標跟蹤算法概述

目標跟蹤的應用體現01視頻監控與分析07軍事應用02自動駕駛系統06體育分析03機器人導航05生物行為分析04人機交互1.1目標跟蹤算法概述

基于特征的方法：靈活，適合簡單背景和小幅度運動，但對特征選擇敏感基于檢測的方法：定位精度高，但依賴檢測器性能，復雜場景下魯棒性差基于濾波的方法：抗噪能力強，適合復雜運動模式，但依賴運動模型假設基于深度學習的方法：適應性強，泛化能力好，但訓練和推理成本高1.2目標跟蹤算法評估指標

IDSW（IDSwitches）：計算多目標跟蹤中錯誤地將一個目標的身份分配給另一個目標的次數。身份切換越少，表示算法在識別目標身份方面表現越好。1MOTA（MultipleObjectTrackingAccuracy）：衡量跟蹤算法整體性能的最廣泛使用的指標，考慮了誤檢（FP）、漏檢（FN）和ID切換（IDSwitch）。MOTA值越高（接近1），表示跟蹤精度越高。2MOTP（MultipleObjectTrackingPrecision）：評估多目標跟蹤系統在定位方面的準確性，基于預測邊界框與真實標注邊界框之間的幾何匹配程度。如果使用IoU，MOTP越大越好；如果使用歐式距離，MOTP越小越好。3IDF1分數（IDF1Score）：衡量多目標跟蹤系統中目標身份識別一致性的指標，基于IDP（IdentificationPrecision）和IDR（IdentificationRecall）的調和平均數。IDF1值范圍在0到1之間，值越高表示跟蹤算法在目標ID的識別和維持一致性方面表現越好。4HOTA（HigherOrderTrackingAccuracy）：綜合評估檢測精度和關聯準確性，彌補傳統MOTA/MOTP僅關注總體效果的不足。HOTA值范圍在0到1之間，值越接近1表示跟蹤性能越好。它提供了更全面的性能評估，涵蓋了檢測、跟蹤和關聯三個方面。5目錄3寵物貓運動軌跡追蹤可視化1認識目標跟蹤2認識YOLOv8-track2.認識YOLOv8-track任務目標（1）了解YOLOv8-track框架，包括BoT-SORT和ByteTrack算法原理與參數配置。（2）掌握基于YOLOv8-track的寵物貓目標跟蹤的實戰應用。2.1YOLOv8-track框架

YOLOv8的跟蹤框架目前支持兩種追蹤算法——BoT-SORT和ByteTrack，每個算法都有其特定的應用場景和特點。例如，BoT-SORT算法結合了多種技術如全局運動補償、外觀匹配和接近度匹配等，適合于場景中有中斷或遮擋的情況。而ByteTrack算法則強調在實時性和準確性之間的平衡，特別適用于需要高速處理和實時性能的應用。2.2YOLOv8-track實戰應用

fromultralyticsimportYOLO

model=YOLO('yolov8n.pt')#加載YOLOv8目標檢測官方預訓練模型權重文件#基于加載的目標檢測器執行跟蹤任務results=model.track(

source="cats.mp4",

#指定測試視頻文件save=True,#保存結果文件project='track_logs',#指定保存目錄tracker="bytetrack.yaml"

#指定bytetrack為跟蹤器，默認為Bot-SORT)加載官方的目標檢測預訓練權重文件yolov8n.pt后，運行track()函數對測試視頻文件”cats.mp4”進行推理獲取目標跟蹤結果推理結果視頻：2.2YOLOv8-track實戰應用

加載項目4中訓練的寵物貓實例分割最佳模型權重文件“yolov8_seg_cat_best.pt”后，再運行track()函數對測試視頻文件”cats.mp4”進行推理獲取目標跟蹤結果推理結果視頻：fromultralyticsimportYOLO

model=YOLO('yolov8_seg_cat_best.pt')#加載項目4中訓練的寵物貓實例分割最佳模型文件#基于加載的寵物貓實例分割器執行跟蹤任務results=model.track(

source="cats.mp4",

#指定測試視頻文件save=True,#保存結果文件project='track_logs',#指定保存目錄tracker="botsort.yaml"

#指定Bot-SORT為跟蹤器)2.2YOLOv8-track實戰應用

根據以上兩份不同的跟蹤結果，我們可以看到，YOLOv8-track采用不同的目標檢測器或實例分割器，特別是一個高精度的目標檢測器對最終跟蹤結果的影響非常大。我們需要根據不同的場景和要求，采用不同的目標檢測器和跟蹤器。目錄3寵物貓運動軌跡追蹤可視化1認識目標跟蹤2認識YOLOv8-track3.寵物貓運動軌跡追蹤可視化

任務目標(1)理解視頻流數據的基本處理和表示方法，學會從視頻中提取和處理幀序列。(2)掌握YOLOv8模型track函數返回結果的處理(3)掌握追蹤軌跡的存儲與刪除管理。(4)掌握追蹤軌跡的可視化展示。3寵物貓運動軌跡追蹤可視化

代碼文件track_overtime.py實現了對視頻文件中物體的追蹤，通過保留檢測到的邊界框的中心點并連接它們，然后繪制表示跟蹤物體路徑的線條，為視頻分析提供了有價值的洞見。如圖5-3所示，邊界框里的黃色線條為目標過去60幀的運動軌跡，可以看到id為1的目標的運動軌跡幾乎在原地不動，id為2的目標的運動軌跡則是一直向前移動。圖5-3運動軌跡可視化結果第45幀圖片知識要點為幫助讀者回顧項目的重點內容，總結項目中涉及到的主要知識點：

（1）了解目標跟蹤的定義、方法與常見的應用領域。

（2）掌握ByteTrack、BoT-SORT算法的基本原理。

（3）掌握YOLOv8-track目標跟蹤的實現步驟，包括模型加載、執行跟蹤和繪制跟蹤結果。經驗總結在實現基于YOLOv8-track的寵物貓目標跟蹤系統時，以下幾個實用的建議可以幫助優化跟蹤性能和效率：1）

理解目標跟蹤的關鍵概念清晰了解寵物貓目標跟蹤的核心組成部分，包括目標檢測、特征提取、數據關聯以及時序分析的原理，這對于有效地設計和實施跟蹤算法至關重要。2）

精確的目標檢測器選