yolov8目标追踪

根据引用，Yolov8是由ultralytics公司发布的目标检测算法，它是在Yolov5的基础上进行的改进。Yolov8具有更高的性能和准确性，并且有多种跟踪方法可供选择，如StrongSort、OCSort和ByteTrack。你可以在mikel-brostrom的GitHub上找到Yolov8的跟踪代码。

要使用Yolov8进行目标追踪，你可以按照引用中的步骤进行操作。首先，将yolov8n.pt和yolov8s.pt两个权重文件放到yolov8_tracking/yolov8/weights目录下。然后，你可以使用命令行运行track.py文件，并指定相应的参数，如yolo-weight用于指定Yolov8的权重文件，tracking-method用于选择跟踪方法，source用于指定视频的路径，img用于指定处理图像的大小，reid-weights用于指定REID模型的权重文件，classes用于指定目标类别。

根据引用的试验结果，使用Yolov8进行目标追踪的效果较好。Yolov8n在解析度为640x384的视频上的每帧处理时间为0.2秒，Yolov8s在解析度为1280x736的视频上的每帧处理时间为1.2秒，Yolov8n在解析度为1280x736的视频上的每帧处理时间为0.5秒。此外，StrongSort跟踪方法相对于DeepSort跟踪方法效果略好。

需要注意的是，以上试验视频中的跟踪目标类型为car，与REID模型以person为训练集的情况有所不同。因此，对于person目标的追踪效果可能会有所差异。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* *3* [Yolov8的多目标跟踪实现](https://blog.csdn.net/weixin_44238733/article/details/129024558)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 100%"]
[ .reference_list ]