yolov5 deepsort行人追踪保姆

### YOLOv5 和 DeepSort 行人追踪详细教程

#### 准备工作
为了设置基于YOLOv5和DeepSort的行人跟踪系统，需先克隆指定仓库并进入项目目录。如果遇到`git clone`速度过慢的情况，可以选择直接下载ZIP文件[^2]。

$ git clone https://github.com/MichistaLin/yolov5-deepsort-pedestraintracking.git
$ cd yolov5-deepsort-pedestraintracking

#### 设置Python环境
创建一个新的Conda虚拟环境来管理依赖项，并激活该环境：

conda create -n deepsort python=3.8
conda activate deepsort

更新Pip至最新版本以便更好地处理包安装过程中的兼容性问题：

python -m pip install --upgrade pip

#### 安装PyTorch和其他依赖库
根据官方文档或其他可靠资源指导完成PyTorch及相关工具包的配置。这一步骤对于确保整个系统的正常运行至关重要。

#### 下载预训练模型权重
由于该项目包含了必要的权重文件，在初始化阶段无需额外操作即可加载默认提供的模型参数用于测试目的[^1]。

#### 实现行人检测与跟踪
通过调用特定脚本启动视频流分析流程，利用YOLOv5执行目标识别任务并将结果传递给DeepSort模块进行轨迹预测。此过程中还可以加入自定义逻辑以满足不同应用场景下的需求，比如统计穿越某区域的人数变化情况等[^3]。

from yolov5.models.experimental import attempt_load
from deep_sort.utils.parser import get_config
from deep_sort.deep_sort import DeepSort

# 加载YOLOv5模型
model = attempt_load('path/to/weights', map_location='cuda')

# 初始化DeepSort对象
cfg = get_config()
cfg.merge_from_file("deep_sort/configs/deep_sort.yaml")
deepsort = DeepSort(cfg.DEEPSORT.REID_CKPT, max_dist=cfg.DEEPSORT.MAX_DIST,
                    min_confidence=cfg.DEEPSORT.MIN_CONFIDENCE,
                    nms_max_overlap=cfg.DEEPSORT.NMS_MAX_OVERLAP,
                    max_iou_distance=cfg.DEEPSORT.MAX_IOU_DISTANCE,
                    max_age=cfg.DEEPSORT.MAX_AGE, n_init=cfg.DEEPSORT.N_INIT,
                    nn_budget=cfg.DEEPSORT.NN_BUDGET)

# 处理每一帧图像...
for frame in video_frames:
    detections = model(frame)  # 使用YOLOv5获取边界框列表
    outputs = deepsort.update(detections.cpu(), frame)  # 更新DeepSort状态
    
    # 对outputs做进一步处理，如绘制跟踪ID、计算人数等