yolov5 deepsort 行人/车辆（检测 +计数+跟踪+测距+测速）
YOLOv5和DeepSORT是两种常用的计算机视觉技术，它们可以结合使用以实现行人和车辆的目标检测和跟踪。这种技术在交通监控、智慧城市等领域中具有广泛的应用。
YOLOv5是一种基于深度学习的目标检测算法，它可以实现高效的目标检测和分类。与传统的目标检测算法相比，YOLOv5具有更快的检测速度和更高的准确率。而DeepSORT则是一种基于多目标跟踪的算法，它可以对相邻帧之间的目标进行跟踪，并输出目标的轨迹和速度等信息。
将YOLOv5和DeepSORT结合使用，可以实现对行人和车辆的目标检测和跟踪。首先，利用YOLOv5对图像或视频进行目标检测，得到行人和车辆的位置和类别信息。然后，利用DeepSORT对相邻帧之间的目标进行跟踪，并输出目标的轨迹和速度等信息。
这种技术在交通监控、智慧城市等领域中具有广泛的应用。例如，在交通监控中，可以利用该技术对路面上的行人和车辆进行实时监控，以提高交通安全性和交通效率。在智慧城市建设中，可以利用该技术对公共场所的人流和车流进行监测和管理，以提高城市管理效率和服务质量。
当然，YOLOv5和DeepSORT结合使用也存在一些限制和挑战。例如，光照、天气等因素可能会影响目标检测和跟踪效果；同时，在多目标跟踪中可能存在目标重叠和遮挡等问题。因此，需要不断地优化算法和模型，以提高检测和跟踪的准确率和鲁棒性。
总之，YOLOv5和DeepSORT的结合可以实现对行人和车辆的高效目标检测和跟踪，具有广泛的应用前景。通过不断地改进和优化算法和模型，可以进一步提高其检测和跟踪的准确率和鲁棒性，为智慧城市和交通安全等领域的发展做出更大的贡献。
功能 简介
YOLOv5 DeepSORT：实现行人/车辆检测、计数、跟踪、测距和测速
1. 背景介绍
随着计算机视觉和深度学习技术的迅猛发展，目标检测、目标跟踪与计数等技术在智能交通、智能监控等领域发挥着重要作用。YOLOv5是一种快速、准确的目标检测算法，而DeepSORT是目标跟踪算法中的经典方法，结合二者可以实现对行人和车辆的检测、计数、跟踪、测距和测速，为智能交通管理和智能监控系统提供了强大的支持。
2. YOLOv5 DeepSORT技术原理
2.1 YOLOv5目标检测
YOLOv5是一种基于深度学习的目标检测算法，它采用单阶段检测的方式，在保持高精度的同时实现了更快的推理速度。YOLOv5通过卷积神经网络对图像进行特征提取，并利用anchor boxes来预测物体的位置和类别，其高效的设计使得它适用于实时目标检测任务。
2.2 DeepSORT目标跟踪
DeepSORT是一种多目标跟踪算法，它结合了深度学习的目标检测和传统的多目标跟踪方法，可以对视频序列中的目标进行持续跟踪。DeepSORT利用卡尔曼滤波器对目标轨迹进行预测和更新，并结合外观描述子对不同帧中的目标进行关联，从而实现目标的持续跟踪。
2.3 YOLOv5 DeepSORT整合
将YOLOv5的目标检测结果输入到DeepSORT中，可以实现对行人和车辆的跟踪，同时可以根据目标的运动轨迹对其进行计数、测距和测速。这样的整合可以在智能交通管理系统和智能监控系统中提供更全面、精准的目标信息。
3. 应用场景
3.1 智能交通管理
在城市交通管理中，利用YOLOv5 DeepSORT可以实时监测道路上的行人和车辆情况，对交通流量进行统计和分析，实现智能交通信号控制和拥堵预警。
3.2 智能监控系统
在安防监控领域，结合YOLOv5 DeepSORT可以实现对监控区域内的异常行为检测、人员计数和车辆追踪，提高监控效率和准确性。
3.3 智能工厂和物流管理
在工业自动化和物流管理中，利用YOLOv5 DeepSORT可以对生产线上的物体进行实时监测与跟踪，提高生产效率和物流管理水平。
4. 技术挑战与发展趋势
4.1 技术挑战
整合YOLOv5和DeepSORT要解决数据传输、算法整合、性能优化等方面的技术挑战，如如何快速高效地将目标检测结果输入到目标跟踪算法中进行处理，如何在保证准确性的前提下提高系统的实时性。
4.2 发展趋势
未来，基于YOLOv5和DeepSORT的目标检测与跟踪技术将更加智能化和多样化，如结合语义分割进一步提高检测准确性，结合3D视觉技术实现目标的三维跟踪，以及结合强化学习等技术实现对目标行为的预测与分析。
具体代码实现
YOLOv5 DeepSORT技术的应用将为智能交通管理、智能监控系统等领域带来更加智能、高效的解决方案，为人们的生活和工作提供更多便利与安全。随着技术的不断发展与完善，我们有理由相信，基于YOLOv5 DeepSORT的目标检测与跟踪技术将广泛应用于更多领域，并取得更大的突破与创新。
实现了局域的出/入 分别计数。
显示检测类别，ID数量。
默认是 南/北 方向检测，若要检测不同位置和方向，需要加以修改
可在 count_car/traffic.py 点击运行
默认检测类别：行人、自行车、小汽车、摩托车、公交车、卡车、船。
检测类别可在 objdetector.py 文件修改。
代码运行
$ git clone 追踪代码
因此repo包含weights及mp4等文件，若 git clone 速度慢，可直接下载zip
blog.csdnimg.cn/de311b07251a4d408d59f0487a41ae44.png)
进入目录
$ cd unbox_yolov5_deepsort_counting
创建 python 虚拟环境
$ python3 -m venv venv
激活虚拟环境
$ source venv/bin/activate
升级pip
$ python -m pip install --upgrade pip
安装pytorch
根据你的操作系统、安装工具以及CUDA版本，在 https://pytorch.org/get-started/locally/ 找到对应的安装命令。我的环境是 ubuntu 18.04.5、pip、CUDA 11.0。
安装软件包
$ pip install -r requirements.txt
在 demo.py 文件中，设置要检测的视频文件路径，默认为 './video/test.mp4'
capture = cv2.VideoCapture(‘./video/test.mp4’)
运行程序
python count.py
demo代码
detector = Detector()# 打开视频capture = cv2.VideoCapture(VIDEO_PATH)while True:# 读取每帧图片_, im = capture.read()if im is None:break# 缩小尺寸im = cv2.resize(im, (width//2, height//2))list_bboxs = []# 更新跟踪器output_image_frame, list_bboxs = objtracker.update(detector, im)# 输出图片output_image_frame = cv2.add(output_image_frame, color_polygons_image)if len(list_bboxs) > 0:# ----------------------判断撞线----------------------for item_bbox in list_bboxs:x1, y1, x2, y2, _, track_id = item_bbox# 撞线检测点，(x1，y1)，y方向偏移比例 0.0~1.0y1_offset = int(y1 + ((y2 - y1) * 0.6))# 撞线的点y = y1_offsetx = x1if polygon_mask_blue_and_yellow[y, x] == 1:# 如果撞 蓝polygonif track_id not in list_overlapping_blue_polygon:list_overlapping_blue_polygon.append(track_id)# 判断 黄polygon list里是否有此 track_id# 有此track_id，则认为是 UP (上行)方向if track_id in list_overlapping_yellow_polygon:# 上行+1up_count += 1print('up count:', up_count, ', up id:', list_overlapping_yellow_polygon)# 删除 黄polygon list 中的此idlist_overlapping_yellow_polygon.remove(track_id)elif polygon_mask_blue_and_yellow[y, x] == 2:# 如果撞 黄polygonif track_id not in list_overlapping_yellow_polygon:list_overlapping_yellow_polygon.append(track_id)# 判断 蓝polygon list 里是否有此 track_id# 有此 track_id，则 认为是 DOWN（下行）方向if track_id in list_overlapping_blue_polygon:# 下行+1down_count += 1print('down count:', down_count, ', down id:', list_overlapping_blue_polygon)# 删除 蓝polygon list 中的此idlist_overlapping_blue_polygon.remove(track_id)# ----------------------清除无用id----------------------list_overlapping_all = list_overlapping_yellow_polygon + list_overlapping_blue_polygonfor id1 in list_overlapping_all:is_found = Falsefor _, _, _, _, _, bbox_id in list_bboxs:if bbox_id == id1:is_found = Trueif not is_found:# 如果没找到，删除idif id1 in list_overlapping_yellow_polygon:list_overlapping_yellow_polygon.remove(id1)if id1 in list_overlapping_blue_polygon:list_overlapping_blue_polygon.remove(id1)list_overlapping_all.clear()# 清空listlist_bboxs.clear()else:# 如果图像中没有任何的bbox，则清空listlist_overlapping_blue_polygon.clear()list_overlapping_yellow_polygon.clear()# 输出计数信息text_draw = 'DOWN: ' + str(down_count) + \' , UP: ' + str(up_count)output_image_frame = cv2.putText(img=output_image_frame, text=text_draw,org=draw_text_postion,fontFace=font_draw_number,fontScale=0.75, color=(0, 0, 255), thickness=2)cv2.imshow('Counting Demo', output_image_frame)cv2.waitKey(1)capture.release()cv2.destroyAllWindows()QQ767172261结果展示
各种追踪 测距 姿态估计 目标检测 计数 测速功能已实现。
欢迎交流学习