- 综合排序
- 最热优先
- 最新优先
yolov11+deepsort+pyqt5实现目标追踪
【算法介绍】 YOLOv11、DeepSORT和PyQt5的组合为实现高效目标追踪提供了一个强大的解决方案。 YOLOv11是YOLO系列的最新版本，它在保持高检测速度的同时，通过改进网络结构、优化损失函数等方式，提高了检测精度，能够同时处理多个尺度的目标，并有效应对复杂场景中的遮挡、形变等问题。 在目标追踪任务中，PyQt5可用于构建用户交互界面，展示实时视频流、检测结果和追踪轨迹等信息。 将这三者整合起来，可以构建一个功能强大的目标追踪系统。 首先，使用YOLOv11对视频流进行实时目标检测，获取每一帧中的目标边界框信息。然后，利用DeepSORT算法将这些边界框关联起来，形成目标的运动轨迹。 【效果展示】 【测试环境】 anaconda3+python3.8 torch==1.9.0 numpy==1.24.4 ultralytics==8.3.3 【视频演示】 yolo11+deepsort
80710编辑于 2025-07-22yolov11+bytetrack+pyqt5实现目标追踪
【算法介绍】 YOLOv11、ByteTrack和PyQt5的组合为实现高效目标追踪提供了一个强大的解决方案。 YOLOv11是YOLO系列的最新版本，它在保持高检测速度的同时，通过改进网络结构、优化损失函数等方式，提高了检测精度，能够同时处理多个尺度的目标，并有效应对复杂场景中的遮挡、形变等问题。 首先，使用YOLOv11对视频流进行实时目标检测，获取每一帧中的目标边界框信息。然后，利用ByteTrack算法将这些边界框关联起来，形成目标的运动轨迹。 【视频演示】 yolo11+bytetrack+pyqt5实现目标追踪结果演示_哔哩哔哩_bilibili【测试环境】anaconda3+python3.8torch==1.9.0numpy==1.24.4ultralytics ar, 视频播放量 1、弹幕量 0、点赞数 0、投硬币枚数 0、收藏人数 0、转发人数 0, 视频作者 未来自主研究中心, 作者简介 未来自主研究中心，相关视频：C++使用纯opencv部署yolov11
80610编辑于 2025-07-2211款最佳习惯追踪养成式祝你实现目标
三、习惯追踪工具在学习习惯养成中的重要性（一）明确学习进度习惯追踪工具可以详细记录学习任务的完成情况，如每天阅读的页数、做练习题的数量等。 例如，一个学生使用习惯追踪软件记录每天背诵单词的数量，一段时间后发现自己的单词量稳步上升，这会增强他的学习信心。（二）发现学习问题通过对学习习惯数据的分析，学生可以发现自己在学习过程中存在的问题。 比如，如果发现自己做数学题总是出错，通过查看习惯追踪记录，可能会发现是因为做题时间不够、知识点掌握不牢等原因。及时发现问题才能有针对性地调整学习方法，提高学习效率。 （三）培养自律能力学习习惯的养成需要自律，而习惯追踪工具可以起到监督和激励的作用。当学生看到自己每天坚持学习任务并记录下来时，会有一种成就感，从而更有动力坚持下去。
1.8K10编辑于 2025-06-26- 来自专栏大大的小数据
行车数据分析2020.11.11
11、上午上班时间8点02分，应该提前到7点55分出发。下午上班时间2点12分，应该提前到2点00出发。 12、 13、把时间分段，区分出上午上班、上午下班、下午上班、下午下班。
51000编辑于 2022-09-21 - 来自专栏YOLO大作战
RoLID-11K：面向小目标检测的行车记录仪路边垃圾数据集
为填补这一空白，我们推出了 RoLID-11K（Roadside Litter Detection dataset），这是一个包含超过 11,000 张标注过的行车记录仪帧图像的数据集，具有显著的长尾特征和小目标普遍性 RoLID-11K 旨在支持可扩展、低成本的追踪路边污染的方法，并为未来小目标检测和基于行车记录仪的环境监测研究奠定基础。 没有数据集提供大规模的、垃圾在其中表现为路边微小稀疏目标的行车记录仪视频，而这正是 RoLID-11K 的重点。 数据采集与标注 RoLID-11K 构建自 2022 年 2 月至 7 月间在英国林肯郡录制的 4K 行车记录仪视频。 RoLID-11K 为可部署的环境监测模型奠定了基础，我们希望它将支持开发用于追踪路边污染的低成本系统。
96320编辑于 2026-01-13 基于易语言实现yolov11+bytetrack目标追踪演示
测试环境： 易语言5.7.3 opencv4.7.0 源码： .版本 2 .支持库 spec .程序集 窗口程序集_启动窗口 .程序集变量 YOLO11, YOLO11推理器 .程序集变量 json, ＝ YOLO11.加载模型_从文件 (“yolo11n.onnx”, 假) 调试输出 (“加载结果” ＋ 到文本 (加载状态)) 文本 ＝ 到文本 (读入文件 (“classes.txt”)) 类别名数组 图片字节集 ＝ 指针到字节集 (图像指针, 图像大小) ' 画板1.底图 ＝ 图片字节集 ' 调试输出 (“开始推理”) 推理结果 ＝ YOLO11 ＝ FIRC_获取图像 () 图像大小 ＝ FIRC_获取图像大小 () 图片字节集 ＝ 指针到字节集 (图像指针, 图像大小) 推理结果 ＝ YOLO11 释放资源 () .子程序 _按钮6_被单击 .局部变量 推理结果, 文本型 .局部变量 图片字节集, 字节集 图片字节集 ＝ 读入文件 (“E:\person2.jpg”) 推理结果 ＝ YOLO11
64210编辑于 2025-07-22- 来自专栏大数据文摘
自行车赛2.0——大数据如何再造环法自行车赛
自行车赛这些年日子不好过。高科技能否拯救它？ 自行车这个运动正在发生一些非同寻常的变化。著名的环法自行车赛将于这周末开始，历时三周。它，正处于这些变化的核心。 新的环法自行车赛中心的门户网站可以(其制造商保证)接收反馈可靠的GPS数据，使粉丝们可以得到非常精确的答案。 在沿途某个地方，环法公司现代化赛事负责人Christian Prudhomme看起来对环法自行车赛以及数据在塑造其未来中所扮演的角色有深刻的领悟。 作为一名自行车运动的发烧友，为全世界最大最好的自行车赛管理一个野心勃勃的大数据项目，这要么是世界上最好的工作，要么是压力山大乏善可陈的。 相比之下，数据导向的比赛则同时追踪每个人。 Foster说，Dimension Data公司去年还是个数家公司的拼凑品，而今年它提升了数据传输距离，现在成为承接所有数据的唯一枢纽。
88730发布于 2018-05-24 - 来自专栏深度学习和计算机视觉
使用YOLO11和霍夫变换追踪站台黄线穿越者
这篇文章，咱们分三步走： 第一步：聊聊怎么用YOLO11来检测和跟踪站台上的行人。 第二步：看看怎么用Hough变换和OpenCV技术找出站台边的黄线，并找到它的方程。 使用YOLO11检测和跟踪行人 目标检测模型，就是帮我们找出图像或视频里的对象在哪儿，是啥。结果就是一堆框框，把检测到的对象框起来，还标上类别和置信度。 YOLO11有五个预训练模型，专门干这个的。下面的脚本，咱们就用最小的那个yolo11n.pt，来识别图像里的人，给他们画框。用ultralytics库的plot()函数，直接在图像上画框，特别方便。 YOLO11就有一套预训练模型，专门干这个的。这些模型会输出一系列关键点，代表图像里人的关键部位。每个人身上，YOLO11能找到17个关键点。下面的脚本，我展示了怎么在图像里提取这些关键点。 YOLO11有五个预训练的姿态估计模型。这次，因为有些人可能离相机比较远，我用了更强的模型yolo11m-pose.pt。用这些关键点，我们还能画个框，把人框起来。
98210编辑于 2024-12-06 - 来自专栏嵌入式Linux系统开发
行车记录仪主要方案公司
那么音视频技术应用较多的地方有安防行业、行车记录仪、运动相机等。今天就给大家介绍一下，行车记录仪主要的方案提供商。 但记录仪市场对这种大鳄来说太小了，前期投入力度不大，在经历了14年行车记录大暴发之后，现在正发力行车记录仪市场。 联咏在2013年初直推出1080P解决方案的芯片NT96650行车记录仪方案，挤入1080P俱乐部该芯片一出来就受到了广泛关注，联咏NT96650搭载镁光0330的行车记录仪，测试起来白天画质、细节、细腻度及清晰度非常好 在2014年中，为了弥补自己在前后双路行车记录仪方案便的不足，先后推出了NT96655 NT96660 NT96663主控芯片，目前推出单芯片主控内置DDR更有竞争优势的NT96658行车记录仪方案更迅速占领 80%中高的行车记录仪市场,是行车记录仪品牌客户首选的行车记录仪方案。
3.5K30发布于 2021-05-28 - 来自专栏开源项目
【码云周刊第 11 期】追踪代码大仓库？ Git 的拿手好戏！
架构设计篇 基于 vue2 + vuex 构建一个具有 45 个页面的大型单页面应用 轻量级数据库中间层 Sharding-JDBC 深度解析 标签：独家翻译 1、Git 如何处理大仓库 Git 是追踪代码库演进的最佳选择 当你想要追踪的库非常巨大时会发生什么？如何来恰当地处理不同种类的大仓库？ 2、如果只有一个月的时间学 iOS 开发，我们该做些什么？ 非常推荐 Android 开发者学习开发 iOS 应用。 https://git.oschina.net/duanqimiao/biji 6、项目名称：基于 libevent 的高性能网络服务器 项目简介：evpp 是一个基于 libevent 开发的现代化 C++11 特性： 现代版的C++11接口 非阻塞异步接口都是C++11的functional/bind形式的回调仿函数（不是libevent中的C风格的函数指针） 非阻塞纯异步多线程TCP服务器/客户端 非阻塞纯异步多线程
1.6K90发布于 2018-03-29 使用yolov11的onnx模型结合opencv和bytetrack实现目标追踪
/ByteTrack 【算法介绍】 Yolov11与ByTetrack：目标追踪的强大组合 Yolov11和ByTetrack是两种在目标追踪领域具有显著影响力的技术。 当它们结合使用时，可以显著提高目标追踪的准确性和实时性。 Yolov11是Yolov系列算法的最新版本，它在目标检测方面具有出色的性能。 相较于之前的版本，Yolov11在精度和速度上都进行了优化，使其成为实时目标检测的理想选择。通过结合ByTetrack，Yolov11可以更有效地应用于目标追踪任务。 这种结合方式既发挥了Yolov11的高检测精度，又利用了ByTetrack的高追踪精度，使得整体目标追踪效果显著提升。 综上所述，Yolov11与ByTetrack的结合为解决复杂场景下的目标追踪问题提供了新的解决方案。随着人工智能技术的不断进步，这种结合方式有望成为目标追踪领域的研究热点和发展趋势。
74110编辑于 2025-07-22- 来自专栏PyQt5
python3GUI--基于YOLOv8的行车追踪与可视化分析系统 By:PyQt5（详细分享、配套文档）
一．前言本篇将详细地向大家展示我开发的“基于YOLOv8的行车追踪与可视化分析系统”，这个系统包含了目标检测、目标分割、数据可视化等功能，是您学习、应用的不二之选！ 6.车辆追踪与统计通过对用户上传上来的视频文件里面运动的物体进行追踪，动态标记出目标物体的轨迹，分析结束后会产生一份分析结果数据，包括：track ID、X坐标、Y坐标、目标物体ID，我们可以将这份数据导出到本地支持 当用户选择“车辆追踪与统计”侧边栏后，能够跳转到车辆轨迹识别页面。 10.操作日志查看11.关于“关于”页面包括四个子选项，分别是关于软件、关于作者、关于YOLOv8、关于QT，这里不做赘述。 五．总结本次和大家分享了我使用PyQt5开发的一款基于YOLOv8的行车追踪与可视化分析系统，写这篇博客用了一个多小时，因为我的读者的能力水平参差不一，我要照顾到所有水平的读者，本篇写的由浅入深，有简单的基础知识
52410编辑于 2025-07-23 - 来自专栏全栈程序员必看
眼球追踪
眼球追踪类似于头部追踪，但是图像的呈现取决于使用者眼睛所看的方向。例如，人们可以用“眼神”完成一种镭射枪的瞄准。 眼球追踪技术很受VR专家们密切关注。 同时，由于眼球追踪技术可以获知人眼的真实注视点，从而得到虚拟物体上视点位置的景深。所以，眼球追踪技术被大部分VR从业者认为将成为解决虚拟现实头盔眩晕病问题的一个重要技术突破。 在VR设备上的眼球追踪，需要追踪的范围很大。可以无死角覆盖整个VR显示屏幕。 除了追踪范围，另一个关键点在于追踪的精确度和实时性。在VR设备的使用过程中，常常造成VR设备与头部的位移变化。 若能针对VR设备的眼球追踪方案增添防抖算法，这样在人们的头动并不会影响眼球追踪的精确度。 且眼球追踪还可被应用在减少眼睛不注视的地方的渲染量等场景。 眼动追踪（Eye Tracking），是指通过测量眼睛的注视点的位置或者眼球相对头部的运动而实现对眼球运动的追踪。
1.7K30编辑于 2022-09-20 - 来自专栏深度学习和计算机视觉
基于Python使用OpenCV进行车牌检测
1.车牌检测：第一步是从车上检测车牌。我们将使用OpenCV中的轮廓选项来检测矩形对象以查找车牌。如果我们知道车牌的确切尺寸、颜色和大致位置，可以提高准确度。通常，检测算法是根据特定国家使用的摄像机位置和车牌类型进行训练的。如果图像中甚至没有汽车，这将变得更加棘手，在这种情况下，我们将执行额外的步骤来检测汽车，然后是车牌。
2.2K20编辑于 2022-02-14 - 来自专栏数据科学和人工智能
数据集 | 自行车租赁数据集
下载数据集请登录爱数科(www.idatascience.cn) 自行车出租计划是主要城市减少污染和碳排放的一种方式，同时鼓励锻炼。 该数据集记录了华盛顿特区的一个自行车出租计划两年来每天每小时的数据。每小时都记录了天气状况，以及临时用户和注册用户租用自行车的数量。 1. 字段描述 2. 数据预览 3.
1K10编辑于 2022-03-30 - 来自专栏高速公路那点事儿
解决方案 | 雾天行车安全难题多，智能行车安全诱导系统能破局吗？
随着技术创新与行业应用发展，2016年交通运输部发布了《雾天公路行车安全诱导装置》（JTT 1032）交通行业标准，极大得促进了公路雾区行车安全智能诱导及防撞预警系统（以下简称：行车安全智能诱导系统）的发展 行车安全智能诱导系统利用设置在公路两侧的行车安全智能诱导设施（也称为智能诱导边缘标）为在途车辆提供安全引导，在控制系统的集中智能控制下，行车安全智能诱导设施会根据不同的能见度与车流情况，采用不同的发光亮度 具体目标如下： (1)根据系统实时采集的能见度、雨、雪等行车环境数据，自动控制路侧智能诱导边缘标，以不同的亮度、颜色、闪烁频率等组合进行针对性行车引导，实现雨雪雾霾等复杂气象环境下的高速公路自适应安全诱导 ，不论环境照度条件，系统都将开发行车主动诱导功能，随着能见度条件的进一步降低，系统将自动切换至防止追尾警示模式，该模式下，无车辆通过时仍采用行车主动诱导工作模式。 05-设备构成 公路行车安全智能诱导系统主要由交通气象环境感知设备、行车安全智能诱导装置（智能诱导边缘标）、现场控制主机设备（数据预处理器）三大核心设备组成。
69000编辑于 2025-07-03 - 来自专栏云深之无迹
眼动追踪中的坐标+追踪原理
目前的追踪方案都是基于CV的，使用红外灯光打亮眼底，使用高帧率的相机来捕获光源在角膜上面的位置。 开源眼动pupil 开源眼动追踪：GazeTracking（上：效果） 开源眼动追踪：GazeTracking（下：实现） 眼动书籍免费看！ 追踪区域和前面的眼动有些不一样 HMD Tracking Area 是一个标准化的二维坐标系，其原点 (0, 0) 在右上角（从佩戴者的角度来看），而 (1, 1) 在左下角。 在眼动追踪会话期间记录瞳孔大小的变化。瞳孔直径数据分别为左眼和右眼提供，是对瞳孔大小的估计，以毫米为单位。 眼睛张开度定义为上下眼睑之间可以安装的最大球体的直径（以毫米为单位）。 结合上面的一些坐标空间的概念就可以看到这个东西的意思啦 我之前写过一个pupill的眼动仪，这个是单眼追踪的方案 （A）当以球形坐标表示地面真实注视方向dgt时，可以将其可视化为球体上的一个点（参见上下面板中的蓝色圆盘
3K50编辑于 2022-11-29 - 来自专栏大大的小数据
采集行车记录GPS轨迹并推送邮件2020.11.13
1、登录行车PGS记录页面。 2、跳转到轨迹页面。 3、把轨迹页面截图。 4、把截图发送到邮箱。
1K20编辑于 2022-09-22 - 来自专栏燧机科技-视频AI智能分析
行车作业区域人员闯入检测系统
： 行车轨道沿线：立杆安装（高度6-8m，俯角30°），覆盖“轨道两侧5m警戒区”，支持ROI动态聚焦（当人员进入警戒区时自动放大跟踪）； 行车驾驶室视角盲区：壁装补盲摄像机（广角120°），结合激光测距模块 引入特征金字塔网络（FPN）（实测数据：50m外人员（像素＜32×32）检出率从58%提升至85%）； 多目标重叠分离：基于DeepSORT算法（结合外观特征与运动模型），实测数据：5人重叠场景闯入目标追踪准确率 行车作业区域人员闯入检测系统基于LSTM和Transformer架构深度学习算法，行车作业区域人员闯入检测系统通过集成AI大模型，采用AI智能分析预警摄像机设备嵌入AI人体识别深度算法，对人员的精确检测 ，实现对人体检测分析识别，实时预警行车作业区域内人员闯入事件。 当有人员进入行车作业监测范围内可对其自动识别联动语音告警器报警和输出开关量信号联动行车停止工作，也可以对其抓拍并将当时图像传输到管理中心，在管理中心管理软件输出报警弹窗和语音提示。
42410编辑于 2026-01-15 - 来自专栏机器学习AI算法工程
行车环境实时语义分割与深度估计
本项目旨在实现车辆前方行车环境的实时解析。具体通过对行车记录仪的图像、视频数据的语义分割和深度估计实现。要实现的目标如下图所示： ? 2. 模型 本项目在实现行车环境场景语义分割和深度估计实时解析的过程中，尝试使用了不同的模型，有复现文献中提出的网络框架TRL、也有在语义分割ICNet的基础上增加深度分支，最后自己搭建了一个轻量化的模型。 但是在复现完论文后发现，网络的参数量高达(150)341M，发现原网络在多处对通道数为2048的特征图进行了多尺度的卷积操作，有$11,33,55，77$,因为卷积操作的参数量、计算量与卷积核尺寸、通道数成正比
95720发布于 2019-10-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号