# 基于YOLO与Deepsort的实时多目标跟踪

**Repository Path**: zg_buctedu/YOLO_sort

## Basic Information

- **Project Name**: 基于YOLO与Deepsort的实时多目标跟踪
- **Description**: 该项目C++实现的多目标跟踪，旨在实现多目标实时跟踪与检测，集成了YOLO与DeepSORT算法。该项目具有灵活性，可同时部署在Jetson系列产品和X86服务器上。采用了高效的TensorRT库，实现了YOLO和DeepSORT算法的目标跟踪加速。在第一阶段，目标检测前处理借助CUDA加速，以达到超过100帧每秒的实时性能。这个项目的设计旨在在不同硬件平台上实现高性能目标检测和跟踪。


- **Primary Language**: C++
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 18
- **Forks**: 5
- **Created**: 2024-04-04
- **Last Updated**: 2025-07-23

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 基于YOLO与Deepsort的实时多目标跟踪

## 介绍
该项目旨在利用C++实现多目标跟踪系统，目标在于实现高效的多目标实时跟踪与检测，其中融合了`YOLO（You Only Look Once)`和`DeepSORT（Deep Simple Online and Realtime Tracking)`算法。该系统具备高度灵活性，能够无缝部署在Jetson系列产品和X86服务器上。为了提高算法效率，采用了`TensorRT`库进行目标跟踪加速，并通过CUDA加速实现了目标检测前处理，使系统能够达到超过70帧每秒的实时性能。整体设计旨在实现在不同硬件平台上的高性能目标检测与跟踪。
![Alt Text](https://gitee.com/zg_buctedu/YOLO_sort/raw/master/Multiple_target_tracking/catkin_yolosort/src/yolosort/test_videos/Demo1.gif)  
## 模型文件  
这个项目中，需要两个模型，检测的`yolov5`和`deepsort`特征提取的`ckpt.t7`,对于`yolov5`，选择[yolov5s](https://github.com/ultralytics/yolov5)模型,并通过`yolov5s->yolovs.wts->yolov5.plan`
，获取plan file。deepsort模型在官方仓库里有训练好的模型[deepsort模型](https://github.com/ZQPei/deep_sort_pytorch)。如果要训练自己的模型，下面是我转换好的`deepsort.plan`，`yolov5s.plan`文件，可以直接使用。  
| 模型 | 链接 |   
| ---------- | ----------| 
| 百度云| [deepsort.plan](https://pan.baidu.com/s/1gcsRGn7GbcAcDUUdmOjhAA?pwd=1z2g) (pwd:1z2g) | 
| 百度云| [yolov5s.plan](https://pan.baidu.com/s/1DV0n3-plEX5hzmXyP5GFkA?pwd=zg12) (pwd:zg12) |   
* `yolov5s->yolovs.wts->yolov5.plan`过程可参考[tensort/yolov5-v5.0](https://github.com/wang-xinyu/tensorrtx/tree/yolov5-v5.0/yolov5)
* 获取`deepsort.plan`文件需要先获取[ckpt.t7](https://pan.baidu.com/s/1SN9Ti5uJy1xBlLjE9gGO9A?pwd=12zg)(pwd:12zg)，经过以下步骤，可获得`deepsort.plan`  
```python
git clone https://github.com/RichardoMrMu/deepsort-tensorrt.git
// 根据github的说明
cp {deepsort-tensorrt}/exportOnnx.py {deep_sort_pytorch}/
python3 exportOnnx.py
mv {deep_sort_pytorch}/deepsort.onnx {deepsort-tensorrt}/resources
cd {deepsort-tensorrt}
mkdir build
cd build
cmake ..
make 
./onnx2engine ../resources/deepsort.onnx ../resources/deepsort.plan
// test
./demo ../resource/deepsort.plan ../resources/track.txt
```  

## 编译及运行  
```python
//下载本地仓库
git clone https://gitee.com/zg_buctedu/YOLO_sort.git
cd Multiple_target_tracking/Deepsort-YOLOv5-TensorRT-main/yolov5-deepsort-tensorrt
mkdir resources
cp yolov5s.plan deepsort.plan resources/
// 在编译运行之前修改 ./src/main.cpp char* yolo_engine = ""; char* sort_engine = ""; 为自己的模型文件路径
mkdir build 
// cv::VideoCapture capture(video_path);将video_path换成mp4所在的路径，或者如果使用usb摄像头，就写成cv::VideoCapture capture(0)
// 然后执行编译链接即可
cmake ..
make -j8
// make成功后，会在build文件夹下生成一个yolosort二进制文件 运行即可
./yolosort // 运行二进制文件
```
## 图文描述的多目标跟踪-Demo展示  
该项目采用了双线程处理策略，以实现多目标跟踪与实时图文描述的功能。具体而言，通过将图像的每一帧分配给一个线程进行图文描述处理，同时在主线程中处理目标跟踪任务，从而实现了实时效果的目的。此外，为了成功将该算法部署到机器人平台上，并更好地与ROS通信结合，我们提供了相应的ROS功能包。
![Alt Text](https://gitee.com/zg_buctedu/YOLO_sort/raw/master/Multiple_target_tracking/catkin_yolosort/src/yolosort/test_videos/Demo2.gif)

## 依赖环境说明  
在`Jetson Xavier nx`上完整实现过，同样可以在`ubuntu`系统上实现。
```python
Jetson nano or Jetson Xavier nx
python3 with default(jetson nano or jetson xavier nx has default python3 with tensorrt 8.4.3.1  )
tensorrt 8.4.3.1
torch 1.12.0
torchvision 0.13.0
torch2trt 0.3.0
onnx 1.13.1
opencv-python 4.8.1.78
protobuf 3.20.3
scipy 1.10.0
numpy 1.22.0
```  
## 参考项目  
* [YOLACTplus_Blind_Nav_System](https://gitee.com/zg_buctedu/YOLACTplus_Blind_Nav_System)
* [Crystal_Particle_Diameter_Statistics](https://gitee.com/zg_buctedu/Crystal_Particle_Diameter_Statistics_UI)
* [yolov5](https://github.com/ultralytics/yolov5)
* [deepsort](https://github.com/ZQPei/deep_sort_pytorch)
* [yolov5-deepsort-tensorrt](https://github.com/RichardoMrMu/yolov5-deepsort-tensorrt)