使用 YOLOv8 和 Streamlit 构建实时对象检测和跟踪应用程序：第3部分：添加跟踪算法

**使用 YOLOv8 和 Streamlit 构建实时对象检测和跟踪应用程序：第3 部分**

在前两篇文章中，我们已经成功地使用 YOLOv8 和 Streamlit 构建了一个实时对象检测应用程序。然而，仅仅能够检测出目标是不够的，我们还需要能够跟踪这些目标，以便能够准确地识别它们的位置和行为。在本文中，我们将添加一个跟踪算法，使我们的应用程序能够实现实时的目标跟踪。

**跟踪算法**

我们将使用一种称为"Kalman Filter"的算法来实现目标的跟踪。Kalman Filter 是一种常见的滤波算法，用于估计系统状态的值。在我们的案例中，我们将使用它来估计目标的位置和速度。

**添加跟踪算法**

首先，我们需要修改我们的 YOLOv8 模型，以便能够输出目标的速度信息。我们可以通过在模型中添加一个额外的输出层来实现这一点。

# models.pyclass YOLOv8(nn.Module):
 def __init__(self, num_classes):
 super(YOLOv8, self).__init__()
 # ...
 self.fc = nn.Linear(512,4 * num_classes) # 添加额外的输出层 def forward(self, x):
 # ...
 outputs = self.fc(x)
 return outputs

# app.pydef track_objects(outputs, frame):
 # 使用 Kalman Filter 算法进行目标跟踪 tracked_outputs = []
 for output in outputs:
 x, y, w, h, conf, cls_id, speed_x, speed_y = output # ...
 tracked_outputs.append((x, y, w, h, conf, cls_id, speed_x, speed_y))
 return tracked_outputsdef display_tracked_objects(frame, tracked_outputs):
 # 在 Streamlit 中显示跟踪结果 for output in tracked_outputs:
 x, y, w, h, conf, cls_id, speed_x, speed_y = output # ...

# app.pydef run_app():
 # ...
 outputs = model(frame)
 tracked_outputs = track_objects(outputs, frame)
 display_tracked_objects(frame, tracked_outputs)

run_app()