YOLO TRACKER 문서 및 실험&구현해보기

 

YOLO TRACKER이란?

 

Ultralytics YOLO문서에 확인이 됩니다.

다중객체추적 Ultralytics YOLO이라고불리는것같습니다.

Ultralytics Tracker의 출력은 표준 객체 감지와 일치하긴 하지만 객체id를 따로 부여합니다.

이것을 통해 스트림에서 객체를 쉽게 추적하고 후속 분석까지지 진행할 수 있습니다.

 

---

 

너 이거 왜 공부하는데?

 

사실 지금 프로젝트를 진행하면서 yolo pose를 사용하고있는데 

사람이 1명밖에 없음에도 불구하고 2명으로 잡는 현상이 나타나고 있습니다.

그래서 이 부분을 해결하기 위해서 1명만 잡는걸 어떻게 해야할까? 라는 고민을 하다가 yolopose + tracker까지 하면 보다 잘 잡을 것 같아서 트래커도 공부하게 되었습니다.

https://docs.ultralytics.com/ko/modes/track/

트랙

 

---

기능 살펴보기

 

Ultralyics YOLO는 물체 감지 기능을 확장하여 강력하고 다양한 물체 추적을 할 수 있습니다!

1. 실시간 추적 ▶ 고프레임률 동영상에서 오브젝트를 원활하게 추적합니다.

2. 여러 트래커 동시 지원 ▶ 이미 확립된 다양한 추적 알고리즘 중에서 선택할 수 있습니다.

3. 사용자 지정 가능한 트래커 구성 ▶ 다양한 매개변수를 조정해서 특정 요구사항을 충족하도록 추적 알고리즘을 맞춤설정할 수 있습니다.

 

 

Ultralyics YOLO는 추적 알고리즘을 사용하고 YAML구성 파일을 전달해서 활성화해서 사용할 수 있습니다.

tracker = tracker_type.yaml:

 

여기서 yaml이란? 쉽게 말해서 데이터를 쉽고 가독성 좋게 작성하기 위한 설정파일이에요.

주로 구성이나 설정 정보를 저장하는데 사용합니다.

 

↓ YAML 예시입니다.

tracker:
  type: bytetrack  # 추적기 종류
  conf_thresh: 0.5  # 신뢰도 임계값
  iou_thresh: 0.3   # IOU 임계값
  persist: True     # 객체 ID 유지 여부

 

특징은 키와 벨류 형식으로 설정값이 정의되고 들여쓰기로 하위설정(계층구조)를 표현합니다.

 

 

사용방법

 

from ultralytics import YOLO

# YOLO 모델 로드
model = YOLO('yolov8n-pose.pt')

# 동영상에서 추적 수행 (ByteTrack 사용)
results = model.track(source='input_video.mp4', tracker='bytetrack.yaml', persist=True)

# 결과 출력
print("추적이 완료되었습니다!")

botsort.yaml을 하면 변경됩니다.

 

직관적으로 확인해보기

 

아래 영상 참치 영상으로 트랙커를 추적수행 해보겠습니다. 

166115-835290832_tiny.mp4

2.79MB

 

 

 

사실 화질이 좋지 않아서 좋은 결과를 기대하진 않지만 직관적으로 어떤 변화가 보이는지 확인하기 위함이니

참고해주세요!

 

yaml을 입힐때 각 프레임은 898로 잡히고

 

 

tracker	persist (객체id유지)	결과
bytetrack	False
bytetrack	True
botsort	False

 

persist=False를 하면 앞에 id값이 나타난다 

근데 tracker 의 차이는 모르겠다.그래서 gpt에게 좀 물어보니

bytetrack	빠르고 간단하며 실시간 처리에 유리.
botsort	ReID를 활용해 더 높은 정확도를 제공하지만 조금 더 느림.

 

이라고 합니다. 조금 세밀하거나 세심한 부분에서 차이가 있는것이기때문에 

저는 가림이 있는경우 없는경우로 나뉘어서 알아두려고 합니다.

복잡한 환경이나 객체가 자주 가려지는 상화엥서는 botsort가 더 낫다는 부분을 학습한 내용으로  알아가겠습니다..

 

 

python 사용 예시 코드 

from ultralytics import YOLO

# Load an official or custom model
model = YOLO("yolo11n.pt")  # Load an official Detect model
model = YOLO("yolo11n-seg.pt")  # Load an official Segment model
model = YOLO("yolo11n-pose.pt")  # Load an official Pose model
model = YOLO("path/to/best.pt")  # Load a custom trained model

# Perform tracking with the model
results = model.track("https://youtu.be/LNwODJXcvt4", show=True)  # Tracking with default tracker
results = model.track("https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")  # with ByteTrack

 

동영상 stream에서 tracker을 실행하려면 YOLO11n, YOLO11n-seg, YOLO11n-pose을 사용하면 됩니다.

---

인수 공유

YOLO에 있는 conf, iou, show에 대한 것은 그대로 가져올 수 있습니다. 아래는 예시코드입니다.

from ultralytics import YOLO

# Configure the tracking parameters and run the tracker
model = YOLO("yolo11n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True)

 

또한 트래커의 구성파일을 서낵할 수 있습니다.

추적인수의 전체 인수는 아래와 같습니다.

 

botsort

# Ultralytics YOLO 🚀, AGPL-3.0 license
# Default YOLO tracker settings for BoT-SORT tracker https://github.com/NirAharon/BoT-SORT

tracker_type: botsort # tracker type, ['botsort', 'bytetrack']
track_high_thresh: 0.25 # threshold for the first association
track_low_thresh: 0.1 # threshold for the second association
new_track_thresh: 0.25 # threshold for init new track if the detection does not match any tracks
track_buffer: 30 # buffer to calculate the time when to remove tracks
match_thresh: 0.8 # threshold for matching tracks
fuse_score: True # Whether to fuse confidence scores with the iou distances before matching
# min_box_area: 10  # threshold for min box areas(for tracker evaluation, not used for now)

# BoT-SORT settings
gmc_method: sparseOptFlow # method of global motion compensation
# ReID model related thresh (not supported yet)
proximity_thresh: 0.5
appearance_thresh: 0.25
with_reid: False

 

bytetrack

# Ultralytics YOLO 🚀, AGPL-3.0 license
# Default YOLO tracker settings for ByteTrack tracker https://github.com/ifzhang/ByteTrack

tracker_type: bytetrack # tracker type, ['botsort', 'bytetrack']
track_high_thresh: 0.25 # threshold for the first association
track_low_thresh: 0.1 # threshold for the second association
new_track_thresh: 0.25 # threshold for init new track if the detection does not match any tracks
track_buffer: 30 # buffer to calculate the time when to remove tracks
match_thresh: 0.8 # threshold for matching tracks
fuse_score: True # Whether to fuse confidence scores with the iou distances before matching
# min_box_area: 10  # threshold for min box areas(for tracker evaluation, not used for now)

---

 

그리고 트랙의 가장 재밌어보였던 부분이 있는데 바로 시간 경과에 따른 트랙 플로팅입니다.

 

감지된 객체의 움직임을 플로팅하는 방법을 보여준다고 합니다. 그래서 객체가 따라간 경로를 나타내는 선을 그릴 수 있다고합니다.

!pip install ultralytics

from collections import defaultdict

import cv2
import numpy as np

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Open the video file
video_path = "/content/166115-835290832_tiny.mp4"
cap = cv2.VideoCapture(video_path)

# Store the track history
track_history = defaultdict(lambda: [])

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLO11 tracking on the frame, persisting tracks between frames
        results = model.track(frame, persist=True)

        # Get the boxes and track IDs
        boxes = results[0].boxes.xywh.cpu()
        track_ids = results[0].boxes.id.int().cpu().tolist()

        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Plot the tracks
        for box, track_id in zip(boxes, track_ids):
            x, y, w, h = box
            track = track_history[track_id]
            track.append((float(x), float(y)))  # x, y center point
            if len(track) > 30:  # retain 90 tracks for 90 frames
                track.pop(0)

            # Draw the tracking lines
            points = np.hstack(track).astype(np.int32).reshape((-1, 1, 2))
            cv2.polylines(annotated_frame, [points], isClosed=False, color=(230, 230, 230), thickness=10)

        import matplotlib.pyplot as plt

        # Display the frame using Matplotlib
        plt.imshow(cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB))
        plt.axis("off")
        plt.show()


        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()

이런식으로 선이 그려지면서 트래킹이 되는 모습을 확인할 수 있습니다.

물론 멀티(여러비디오)도 가능하니 꼭 기억해두었다가 사용할 일이 있을때 잘 써봐야겠습니다.