基于opencv+yolov8+deepsort的行人检测与跟踪，以及可选的WebUI界面（基于gradio）

<div align="center"> <h1> yolov8-deepsort-tracking </h1>  opencv+yolov8+deepsort的行人检测与跟踪。当然，也可以识别车辆等其他类别。 # 更新历史 2024/3/5：YoloV9模型已添加至WebUI。 2024/2/11更新：清理代码，完善注释。WebUI新增识别目标选择、进度条显示、终止推理、示例等功能。 2023/10/17更新：简化代码，删除不必要的依赖。解决webui上传视频不会清空tracker ID的问题。 2023/7/4更新：加入了一个基于Gradio的WebUI界面 ## 安装 环境：Python>=3.8 本项目需要pytorch，建议手动在[pytorch官网](https://pytorch.org/get-started/locally/)根据自己的平台和CUDA环境安装对应的版本。 pytorch的详细安装教程可以参照[Conda Quickstart Guide for Ultralytics](https://docs.ultralytics.com/guides/conda-quickstart/) 安装完pytorch后，需要通过以下命令来安装其他依赖： ```shell $ pip install -r requirements.txt ``` 如果需要使用GUI，需要通过以下命令安装tqdm进度条和Gradio库： ```shell $ pip install tqdm gradio ``` ## 配置(非WebUI) 在main.py中修改以下代码，将输入视频路径换成你要处理的视频的路径： ```python input_path = "test.mp4" ``` 模型默认使用Ultralytics官方的YOLOv8n模型： ```python model = YOLO("yolov8n.pt") ``` 其他支持的模型可以参照[ultralytics官方支持的模型列表](https://docs.ultralytics.com/models/) 例如，如果想要使用YOLOv9模型： ```python model = YOLO("yolov9c.pt") ``` 第一次使用时，会自动从官网下载模型。如果网速过慢，可以在[ultralytics的官方文档](https://docs.ultralytics.com/tasks/detect/)下载模型，然后将模型文件拷贝到程序所在目录下。 ## 运行(非WebUI) 运行main.py 推理完成后，终端会显示输出视频所在的路径。 ## WebUI界面的配置和运行 demo: [Huggingface demo](https://huggingface.co/spaces/KdaiP/yolov8-deepsort-tracking) 运行app.py，如果控制台出现以下消息代表成功运行： ```shell Running on local URL: http://127.0.0.1:6006 To create a public link, set `share=True` in `launch()` ``` 浏览器打开该URL即可使用WebUI界面