ByteTrack类

ByteTrack 是一个用于目标跟踪的高效工具，能够根据检测结果更新其内部状态，并能处理多种参数以优化跟踪表现。其提供的重置和更新方法使其能够灵活应对不同视频的处理需求。

• ByteTrack 初始化参数

  1. track_activation_threshold (float)

     • 描述：用于激活跟踪的检测置信度阈值。

     • 默认值：0.25

     • 影响：增加该值可提高准确性和稳定性，但可能错过真实检测；减少该值会增加完整性，但可能引入噪声和不稳定性。

  2. lost_track_buffer (int)

     • 描述：丢失跟踪时的帧缓冲数量。

     • 默认值：30

     • 影响：增加该值可改善遮挡处理，显著降低因短暂检测间隙导致的跟踪碎片化或消失的可能性。

  3. minimum_matching_threshold (float)

     • 描述：与检测匹配的阈值。

     • 默认值：0.8

     • 影响：增加该值可提高准确性，但可能导致碎片化；减少该值可改善完整性，但可能引入假阳性和漂移。

  4. frame_rate (int)

     • 描述：视频的帧率。

     • 默认值：30

  5. minimum_consecutive_frames (int)

     • 描述：对象必须被跟踪的连续帧数，才能被视为有效跟踪。

     • 默认值：1

     • 影响：增加该值可以防止因误检测或双重检测而创建意外跟踪，但可能错过较短的轨迹。

• 主要方法

  1. reset()

     • 描述：重置 ByteTrack 跟踪器的内部状态。

     • 作用：清除跟踪数据（包括已跟踪、丢失和移除的轨迹），重置帧计数器。适合在顺序处理多个视频时使用，以确保每个新视频的跟踪器以干净的状态开始。

  2. update_with_detections(detections)

     • 描述：使用提供的检测结果更新跟踪器并返回更新后的检测结果，该方法会为每个检测结果分配一个唯一的tracker_id

     • 参数：

       • detections (Detections)：需要传入跟踪器的检测结果。

     • 示例代码：

       import supervision as sv
       from ultralytics import YOLO
       
       model = YOLO('yolo11n.pt')
       tracker = sv.ByteTrack()
       
       box_annotator = sv.BoxAnnotator()
       label_annotator = sv.LabelAnnotator()
       
       def callback(frame: np.ndarray, index: int) -> np.ndarray:
           results = model(frame)[0]
           detections = sv.Detections.from_ultralytics(results)
           detections = tracker.update_with_detections(detections)
       
           labels = [f"#{tracker_id}" for tracker_id in detections.tracker_id]
       
           annotated_frame = box_annotator.annotate(
               scene=frame.copy(), detections=detections)
           annotated_frame = label_annotator.annotate(
               scene=annotated_frame, detections=detections, labels=labels)
           return annotated_frame
       
       sv.process_video(
           source_path=<SOURCE_VIDEO_PATH>,
           target_path=<TARGET_VIDEO_PATH>,
           callback=callback
       )
       

       这里由于要处理视频，具体处理结果无法详细展示。详情可见https://supervision.roboflow.com/latest/trackers/

  3. update_with_tensors(tensors)

     • 描述：使用提供的张量更新跟踪器并返回更新后的轨迹。

     • 参数：

       • tensors (ndarray)：需要更新的张量。

     • 返回值：返回更新后的轨迹列表 (List[STrack])。