yolov8 traffic counter

### 使用 YOLOv8 实现交通流量计数的方法

#### 方法概述
为了实现交通流量计数，可以采用YOLOv8作为基础的目标检测模型，并结合多目标跟踪算法如ByteTrack来提高准确性。这种方法不仅能够识别道路中的车辆，还能持续追踪这些车辆的位置变化，从而有效地统计进入和离开特定区域的车辆数量。

#### 技术细节
YOLOv8是一个高效的实时物体检测框架，在此之上加入ByteTrack用于处理视频流中连续帧之间的关联问题。具体来说，当YOLOv8完成每一帧图像内的所有车辆位置预测之后，ByteTrack会利用卡尔曼滤波器估计下一时刻各个被检出对象可能存在的位置，并尝试匹配新到来的一批边界框；即使某些瞬间未能成功捕捉到某个移动体，也能依靠历史轨迹数据保持对该实体身份的记忆[^3]。

#### 代码示例
下面给出一段Python伪代码片段展示如何集成这两个组件：

from ultralytics import YOLO
import bytetrack as bt

# 加载预训练好的YOLOv8权重文件并初始化字节级联跟踪器实例
model = YOLO('yolov8n.pt')
tracker = bt.ByteTrack()

def process_frame(frame):
    results = model.predict(source=frame, conf=0.5)  # 调用YOLOv8进行推理得到当前帧内所有潜在车辆的信息列表
    
    detections = []
    for result in results.xyxy[0]:
        bbox = result[:4].cpu().numpy()       # 获取包围盒坐标[xmin,ymin,xmax,ymax]
        score = float(result[4])              # 取置信度得分
        class_id = int(result[-1])            # 类别标签编号
        
        if class_id == CAR_CLASS_ID and score >= CONFIDENCE_THRESHOLD:
            detections.append([bbox.tolist(),score,class_id])
            
    tracks_output = tracker.update(detections=detections,img_info=(frame.shape[1], frame.shape[0]), img_size=frame.shape[:2])

    count_incoming_cars(tracks_output)

def count_incoming_cars(track_outputs):
    incoming_count = sum(1 for track in track_outputs if is_entering_area(track))
    
    print(f"Incoming cars counted this frame: {incoming_count}")

def is_entering_area(track):
    center_x = (track.tlbr[0]+track.tlbr[2])/2
    center_y = (track.tlbr[1]+track.tlbr[3])/2
    
    return check_if_point_within_roi((center_x,center_y))