项目介绍
67C9本项目是一个基于ByteTrack和YOLO的多目标跟踪项目，它使用YOLOv5或者Yolo11作为目标检测头，使用ByteTrack作为多目标跟踪算法。为了方便理解我的项目，我把检测头和跟踪算法拆分开了 总所周知YOLO是一个流行的目标检测模型，而ByteTrack是一个高效的多目标跟踪算法。在使用cpu模式下，ByteTrack的FPS可以达到15帧左右，而YOLOv5的FPS可以达到20帧左右。
本项目包含以下文件和目录：
data/：存放测试数据集。- -
detector_head/：目标检测头，支持的有yolov5和yolo11，当然你可以在里面按照你的需求更改 predictor.py/：你的具体目标检测头实现的基类。test：包涵了一些demo和功能测试，可以只用看demo文件夹中的测试脚本，因为test目录是我个人的习惯track_utils：一些其他的工具包和组件。tracking：ByteTrack算法的实现模块，用于多目标跟踪。byte_tracker.py：ByteTrack算法的主要实现类，需要多次阅读代码
Readme.md：项目说明文档。
这只是一个示例demo，实际使用中可能需要根据具体需求进行修改。 项目的健壮性和性能还受到很多因素的影响，例如检测头、跟踪算法、数据集等。
本项目基于以下项目进行了修改和优化：
- YOLOv5：yolov5目标检测模型。
- ByteTrack：ByteTrack多目标跟踪算法。
- ultralytics/yol011：YOLO11的官方实现。
- HaiKuicloud: 特别需要感谢海葵云部门，为我们搭建了分布式集群，能够很好的部署我们的算法
- 1、ByteTrack的update方法接收n7的张量数据, 包涵xywh+对象置信度+类别置信度+具体的类别，而yolov5的predict方法返回的n6的列表，包涵xywh和置信度 所以我改了下NMS，将置信度拆成了对象置信度+类别置信度，去对齐跟踪器，并且没有进行缩放回原图尺寸。(因为跟踪器回帮我们做这一部分内容) 在实际demo中我没有使用缩放并且返回了n*7，而是直接对齐了，所以可能存在一些问题，但是基本可以正常跟踪了。
- 2、YOLOv5的检测头可能在复杂背景（如遮挡、多目标密集区域）或小目标检测方面性能不足，导致目标容易被误检或漏检。 YOLOv5 的非极大值抑制（NMS）可能导致目标检测框不够稳定，影响多目标跟踪的准确性。
- 3、ByteTrack算法非常依赖高质量的检测头，所以检测头做好了跟踪的效果自然就好。所以我决定替换为yolo11进行测试。由于项目的人体检测模型是基于yolov5的 所以我直接在yolo11上进行了修改，使其可以输出检测框，并且输出的检测框是经过nms处理后的，并且进行了归一化。
- 4、ByteTrack算法的FPS在cpu模式下可以达到15帧左右，而YOLOv5的FPS可以达到20帧左右，实际项目需要根据具体需求进行优化。
- 5、完整的项目逻辑我还在开发中，目前只实现了检测头和跟踪算法的调用，没有实现完整的项目逻辑，后续会继续完善，敬请期待。
项目的实际应用请关注:PyPeriShield-周界安全系统