引言在计算机视觉项目中目标跟踪是一个常见且重要的需求。最近我在开发一个人物跟踪系统时最初尝试手动实现跟踪逻辑后来发现YOLOv8已经内置了强大的跟踪功能。本文将分享我的实践经历从手动实现到集成YOLOv8跟踪的完整过程。我看了很多使用damoyolo能达到不错的效果但是没有尝试感兴趣的可以尝试一下。一、最初的手动实现1.1 项目背景我需要跟踪特定区域内的人物主要需求包括检测画面中的人物为每个进入区域的人物分配唯一ID持续跟踪人物在区域内的移动处理人物离开和重新进入区域的情况1.2 手动跟踪实现最初我采用了基于位置和尺寸匹配的手动跟踪方法autocurrent_timestd::chrono::steady_clock::now();constdoublePOSITION_THRESHOLD50.0;constdoubleSIZE_THRESHOLD0.5;std::vectorboolmatched_current(current_boxes.size(),false);// 匹配现有的跟踪for(autotracked_pair:tracked_persons_){intcup_idtracked_pair.first;TrackedPersontracked_cuptracked_pair.second;intbest_match_idx-1;doublebest_distancenumeric_limitsdouble::max();for(size_t i0;icurrent_boxes.size();i){if(matched_current[i])continue;// 计算中心点距离cv::Pointtracked_center(tracked_cup.box.xtracked_cup.box.width/2,tracked_cup.box.ytracked_cup.box.height/2);cv::Pointcurrent_center(current_boxes[i].xcurrent_boxes[i].width/2,current_boxes[i].ycurrent_boxes[i].height/2);doubledistancecv::norm(tracked_center-current_center);// 计算尺寸相似度doublesize_ratiomin((double)current_boxes[i].area()/tracked_cup.box.area(),(double)tracked_cup.box.area()/current_boxes[i].area());if(distancePOSITION_THRESHOLDsize_ratioSIZE_THRESHOLDdistancebest_distance){best_distancedistance;best_match_idxi;}}// 更新匹配的跟踪if(best_match_idx!-1){tracked_cup.boxcurrent_boxes[best_match_idx];tracked_cup.last_seencurrent_time;matched_current[best_match_idx]true;}}// 为新进入区域的物体创建跟踪for(size_t i0;icurrent_boxes.size();i){if(!matched_current[i]){boolin_any_regionfalse;for(constautoregion_config:config.regions){if(region_config.enabledisBoxInRegion(current_boxes[i],region_config.points)){in_any_regiontrue;break;}}if(in_any_region){TrackedPerson new_cup;new_cup.idnext_region_obj_id_;new_cup.boxcurrent_boxes[i];new_cup.last_seencurrent_time;tracked_persons_[new_cup.id]new_cup;}}}1.3 手动实现的痛点这种实现方式虽然可行但存在一些问题跟踪逻辑简单只基于位置和尺寸匹配容易出错处理遮挡能力差物体被遮挡后容易丢失IDID管理复杂需要自己处理ID的分配和回收性能优化困难缺乏卡尔曼滤波等预测机制二、发现YOLOv8的跟踪功能在研究过程中我发现YOLOv8已经内置了强大的跟踪功能支持两种主流算法2.1 BoT-SORT (默认)结合卡尔曼滤波和相机运动补偿处理快速运动和遮挡效果好2.2 ByteTrack简单高效的数据关联方法低分检测框的二次匹配策略三、集成YOLOv8跟踪的三种方案方案一到方案三由AI deepseek生成方案一使用OpenCV DNN模块推荐这是最直接的C集成方案无需Python环境#includeopencv2/opencv.hpp#includeopencv2/dnn.hppclassYOLOTracker{private:cv::dnn::Net net;std::mapint,TrackedPersontracked_persons_;floatconf_threshold0.5;floatiou_threshold0.5;public:YOLOTracker(conststd::stringmodel_path){// 加载YOLO模型netcv::dnn::readNet(model_path);// 使用CUDA加速net.setPreferableBackend(cv::dnn::DNN_BACKEND_CUDA);net.setPreferableTarget(cv::dnn::DNN_TARGET_CUDA);}voidtrackWithRegions(cv::Matframe,constConfigconfig){autocurrent_timestd::chrono::steady_clock::now();// YOLO前向传播cv::Mat blobcv::dnn::blobFromImage(frame,1/255.0,cv::Size(640,640),cv::Scalar(),true,false);net.setInput(blob);std::vectorcv::Matoutputs;net.forward(outputs,net.getUnconnectedOutLayersNames());// 解析检测结果包含跟踪IDstd::vectorintids;std::vectorcv::Rectboxes;parseYOLOOutput(outputs,ids,boxes);// 需要实现解析函数// 更新跟踪状态std::setintcurrent_ids;for(size_t i0;iids.size();i){intidids[i];cv::Rect boxboxes[i];current_ids.insert(id);// 检查是否在区域内if(isInAnyRegion(box,config)){if(tracked_persons_.find(id)!tracked_persons_.end()){// 更新现有跟踪tracked_persons_[id].boxbox;tracked_persons_[id].last_seencurrent_time;}else{// 新目标进入区域TrackedPerson person;person.idid;person.boxbox;person.last_seencurrent_time;tracked_persons_[id]person;std::coutNew target id entered regionstd::endl;}}}// 清理离开区域的目标cleanupLeftTargets(current_ids,current_time);}private:boolisInAnyRegion(constcv::Rectbox,constConfigconfig){for(constautoregion_config:config.regions){if(region_config.enabledisBoxInRegion(box,region_config.points)){returntrue;}}returnfalse;}voidcleanupLeftTargets(conststd::setintcurrent_ids,conststd::chrono::steady_clock::time_pointcurrent_time){autoittracked_persons_.begin();while(it!tracked_persons_.end()){if(current_ids.find(it-first)current_ids.end()){autodurationstd::chrono::duration_caststd::chrono::seconds(current_time-it-second.last_seen);if(duration.count()30){// 30秒未出现则移除std::coutTarget it-first left regionstd::endl;ittracked_persons_.erase(it);continue;}}it;}}};方案二Python-C混合调用如果需要快速验证可以使用Python脚本处理跟踪track.py (Python脚本):fromultralyticsimportYOLOimportsysimportjsonimportcv2 modelYOLO(yolov8n.pt)deftrack_frame(image_path):# 使用ByteTrack跟踪器resultsmodel.track(image_path,persistTrue,trackerbytetrack.yaml)ifresults[0].boxes.idisnotNone:boxesresults[0].boxes.xyxy.cpu().numpy()idsresults[0].boxes.id.cpu().numpy()result[]forbox,idinzip(boxes,ids):result.append({id:int(id),x1:int(box[0]),y1:int(box[1]),x2:int(box[2]),y2:int(box[3])})returnjson.dumps(result)return[]if__name____main__:print(track_frame(sys.argv[1]))C调用代码:std::stringexecPython(constchar*cmd){std::arraychar,128buffer;std::string result;std::unique_ptrFILE,decltype(pclose)pipe(popen(cmd,r),pclose);if(!pipe)throwstd::runtime_error(popen() failed!);while(fgets(buffer.data(),buffer.size(),pipe.get())!nullptr){resultbuffer.data();}returnresult;}voidprocessWithPython(constcv::Matframe){cv::imwrite(temp_frame.jpg,frame);std::string outputexecPython(python track.py temp_frame.jpg);Json::Value root;Json::Reader reader;if(reader.parse(output,root)){for(constautoitem:root){intiditem[id].asInt();cv::Rectbox(item[x1].asInt(),item[y1].asInt(),item[x2].asInt()-item[x1].asInt(),item[y2].asInt()-item[y1].asInt());// 结合区域逻辑处理handleTrackedObject(id,box);}}}方案三ONNX Runtime部署生产环境推荐对于生产环境ONNX Runtime是最佳选择#includeonnxruntime/core/session/onnxruntime_cxx_api.hclassProductionTracker{private:Ort::Session session{nullptr};Ort::MemoryInfo memoryInfo{nullptr};std::vectorconstchar*inputNames;std::vectorconstchar*outputNames;public:ProductionTracker(conststd::stringmodelPath){Ort::Envenv(ORT_LOGGING_LEVEL_WARNING,tracker);Ort::SessionOptions sessionOptions;// 启用CUDA加速OrtCUDAProviderOptions cudaOptions;sessionOptions.AppendExecutionProvider_CUDA(cudaOptions);sessionOrt::Session(env,modelPath.c_str(),sessionOptions);memoryInfoOrt::MemoryInfo::CreateCpu(OrtArenaAllocator,OrtMemTypeDefault);// 初始化输入输出名称// ... 具体实现}voidtrack(cv::Matframe){// 预处理、推理、后处理// 包含跟踪ID的输出解析}};四、配置自定义跟踪器YOLOv8允许自定义跟踪器参数创建bytetrack.yaml# bytetrack.yamltracker_type:bytetrack# 或使用 botsorttrack_high_thresh:0.5# 高分检测框阈值track_low_thresh:0.1# 低分检测框阈值new_track_thresh:0.6# 新轨迹阈值track_buffer:30# 轨迹丢失后的保留帧数match_thresh:0.8# 匹配阈值fuse_score:True# 是否融合检测分数五、区域逻辑的优雅集成YOLOv8跟踪的最大优势是可以轻松结合业务逻辑classRegionAwareTracker{private:YOLOTracker yolo_tracker_;std::mapint,RegionTrackInforegion_tracks_;public:voidprocessFrame(cv::Matframe){// 获取YOLO跟踪结果autotracksyolo_tracker_.getTracks(frame);// 区域感知处理for(constautotrack:tracks){intregion_idgetCurrentRegion(track.box);if(region_id!-1){// 在区域内if(region_tracks_.find(track.id)region_tracks_.end()){// 新目标进入区域onTargetEnterRegion(track.id,region_id);}updateRegionTrack(track.id,track.box);}else{// 在区域外if(region_tracks_.find(track.id)!region_tracks_.end()){// 目标离开区域onTargetExitRegion(track.id);}}}}};六、性能对比与总结6.1 对比分析特性手动实现YOLOv8跟踪实现复杂度中等低跟踪准确性一般优秀遮挡处理差好ID稳定性不稳定稳定性能优化需自己实现内置卡尔曼滤波多目标支持需额外处理原生支持6.2 最终建议快速原型开发使用Python YOLOv8生产环境C项目方案一OpenCV DNN或方案三ONNX Runtime需要灵活调整自定义跟踪器配置文件6.3 收获与感悟从手动实现到集成YOLOv8我深刻体会到不要重复造轮子成熟的解决方案往往比自研更可靠模块化设计良好的抽象让替换跟踪算法变得简单性能与准确性的平衡YOLOv8提供了优秀的开箱即用体验通过这次重构跟踪准确率还提升了一点。最重要的是我可以将精力集中在业务逻辑上而不是底层的跟踪算法实现。参考链接Ultralytics YOLOv8文档OpenCV DNN模块文档ONNX Runtime文档