使用Supervision库实现YOLOv8目标跟踪与区域计数

概述

在计算机视觉应用中，目标检测与跟踪是基础且重要的任务。本文将介绍如何利用Supervision库配合YOLOv8模型实现目标跟踪和区域计数功能，并解决在实际应用中遇到的常见问题。

环境准备

首先需要安装必要的Python库：

• Ultralytics YOLOv8：用于目标检测和跟踪
• Supervision：提供强大的视觉分析工具
• OpenCV：用于图像处理和显示

建议使用较新版本的Supervision库（如0.19.0），以避免兼容性问题。

核心实现步骤

1. 初始化检测区域

定义一个多边形区域作为检测区域，这里使用归一化坐标表示：

ZONE_POLYGON = np.array([
    [0, 0],
    [0.5, 0],
    [0.5, 1],
    [0, 1]
])

然后将这些归一化坐标转换为实际视频帧的像素坐标：

zone_polygon = (ZONE_POLYGON * np.array([frame_width, frame_height])).astype(int)

2. 创建区域检测器

使用Supervision的PolygonZone和PolygonZoneAnnotator来创建和可视化检测区域：

zone = sv.PolygonZone(polygon=zone_polygon, frame_resolution_wh=(frame_width, frame_height))
zone_annotator = sv.PolygonZoneAnnotator(
    zone=zone,
    color=sv.Color.RED,
    thickness=2,
    text_thickness=4,
    text_scale=2
)

3. 加载YOLOv8模型并处理视频流

加载预训练的YOLOv8模型：

model = YOLO('yolov8n.pt')

然后处理视频流中的每一帧：

while cap.isOpened():
    success, frame = cap.read()
    if success:
        results = model.track(frame, persist=True)
        detections = sv.Detections.from_ultralytics(results[0])

4. 按类别过滤检测结果

可以通过检测结果的class_id属性来过滤特定类别的目标：

detections = detections[detections.class_id == 0]  # 只保留类别ID为0的检测结果

5. 区域计数与可视化

统计进入区域的检测目标数量并可视化：

zone_triggered_detections = zone.trigger(detections=detections)
zone_detections_count += len(zone_triggered_detections)
annotated_frame = zone_annotator.annotate(scene=annotated_frame)

常见问题解决

1. NumPy兼容性问题

在使用较新版本的NumPy时，可能会遇到np.bool已被弃用的问题。解决方案是升级Supervision库到最新版本，因为它已经修复了这些兼容性问题。

2. 类别过滤的实现

在实际应用中，可能需要根据用户输入动态过滤特定类别的目标。可以通过GUI界面让用户选择感兴趣的类别，然后将对应的class_id传递给过滤逻辑。

3. 性能优化

对于实时应用，可以采取以下优化措施：

• 限制检测的类别范围，减少计算量
• 调整视频帧率或分辨率
• 使用更高效的模型版本（如YOLOv8s或YOLOv8n）

应用场景扩展

这种技术可以应用于多种场景：

• 交通流量监控：统计特定类型车辆通过某个区域的数量
• 零售分析：跟踪顾客在商店中的移动路径
• 安防监控：检测特定区域内的人员活动

总结

通过结合YOLOv8的目标检测能力和Supervision库的分析工具，可以高效地实现复杂的目标跟踪与区域计数功能。关键在于正确设置检测区域、合理过滤目标类别，并处理好视频流的实时处理。随着计算机视觉技术的发展，这类应用将变得更加广泛和智能化。