Yolov8_tracking
2023年2月，Yolov5发展到yolov8，这世界变得真快哦。Yolov8由ultralytics公司发布，yolov6-美团，yolov7-Alexey Bochkovskiy和Chien-Yao Wang，其各有高招，对yolov5均有提升。mikel-brostrom在github上不断更新多目标跟踪方法，deepsort升级到StrongSort，检测用yolov8，tracker除了StrongSort外，还有 ocsort和bytetrack，眼花缭乱。
来体验一下mikel-brostrom提供的yolov8_tracking。
克隆yolov8_tracking
git clone --recurse-submodules https://github.com/mikel-brostrom/yolov8_tracking.git安装
cd yolov8_trackingpip install -r requirements.txt 安装python和pytorch时要解决各包间的版本依赖关系，这往往要花费时间，因为不同的硬件平台，linux版本，python版本，python调试工具各不相同。
下载yolov8和REID权重
yolov8在这里可找到
https://github.com/ultralytics/ultralytics/blob/main/README.zh-CN.md
下载，将yolov8n.pt和yolov8s.pt放到目录 yolov8_tracking/yolov8/weights。Reid特征识别用osnet，在安装目录yolov8_tracking/trackers/strongsort/deep/checkpoint下已有如下REID权重：
osnet_x0_25_market1501.pth
osnet_x0_25_msmt17.pth
osnet_x1_0_msmt17.pth
yolov8_tracking只支持后缀为pt的REID权重文件，这里选择osnet_x0_25_market1501.pth，修改后缀为pt。
命令行
track.py --yolo-weight yolov8/yolov8n.pt \ --tracking-method strongsort \ --source MOT16-13-raw.mp4 \ --img 640 \ --reid-weights trackers/strongsort/deep/checkpoint/osnet_x0_25_market1501.pt \ --classes 0 2 \试验过程没有遇到问题。本人用lenovo thinkpad E560，没有nvidia显卡支持，只能用device=cpu方式运行跟踪推理过程，运行速度比较慢，实际运行结果如下：
Yolov8n, osnet_x0_25_market1501, 640x384视频，每帧处理时间0.2s
Yolov8s， osnet_x0_25_market1501, 1280x736视频， 每帧处理时间1.2s
Yolov8n， osnet_x0_25_market1501, 1280x736视频，每帧处理时间0.5s
运行效果，yolov8略好于yolov5，Strongsort略好于deepsort。
试验视频， MOT16-13-raw.mp4，与原来的REID模型ckpt.t7比较，osnet_x0_25， osnet_x1_0均不及ckpt.t7。
注：以上试验视频中跟踪目标类型为car，而非person，ckpt.t7和osnet模型都以person为训练集，与car外观特征有区别，不能完全说明问题。
来源地址：https://blog.csdn.net/weixin_44238733/article/details/129024558
