1. 环境准备从零搭建Python虚拟环境第一次接触YOLOv5DeepSort项目时最让我头疼的就是环境配置。记得当时看到GitHub上炫酷的演示视频兴冲冲下载代码后却连最基本的依赖都装不上。经过多次踩坑我总结出一套稳定可复现的环境搭建方案。首先推荐使用Anaconda创建独立环境这能避免和你现有的Python项目产生冲突。我习惯用Python 3.7版本因为这个版本在深度学习领域兼容性最好。打开终端执行conda create -n yolo_track python3.7 conda activate yolo_track这里有个隐藏坑点不同操作系统下的终端命令可能不同。比如Windows的PowerShell需要用conda activate yolo_track而CMD直接activate yolo_track就行。如果遇到命令不存在错误先检查终端类型。接下来安装PyTorch时更要小心。原项目的requirements.txt往往只写torch1.8.0但实测发现最新版PyTorch会导致DeepSort出现AttributeError。我的解决方案是固定安装1.8.0cu111版本pip install torch1.8.0cu111 torchvision0.9.0cu111 -f https://download.pytorch.org/whl/torch_stable.html注意cu111表示CUDA 11.1版本如果你的显卡驱动不支持需要先通过nvidia-smi查看CUDA版本再选择对应的PyTorch版本2. 依赖安装解决版本冲突的实战技巧装完PyTorch只是万里长征第一步。当我第一次运行pip install -r requirements.txt时控制台疯狂报红的场景至今难忘。经过多次尝试我整理出几个典型问题及解决方案问题1opencv-python版本冲突错误提示ImportError: numpy.core.multiarray failed to import通常是因为OpenCV版本过高。解决方法是指定安装4.5.3版本pip install opencv-python4.5.3.56 opencv-contrib-python4.5.3.56问题2numpy自动升级导致不兼容有些依赖会自动升级numpy到最新版但DeepSort需要1.20.3以下版本。可以在requirements.txt最前面添加numpy1.20.3问题3cython_bbox安装失败这个包是DeepSort的关键依赖但直接pip安装经常报错。我的解决方案是先安装编译工具sudo apt-get install gcc python3-dev pip install cython pip install cython_bbox建议准备一个经过验证的requirements-modified.txt这是我调试后能100%运行的版本numpy1.20.3 opencv-python4.5.3.56 torch1.8.0cu111 torchvision0.9.0cu111 cython_bbox0.1.3 # 其他依赖保持原样...3. 模型配置自定义数据集的关键参数环境搞定后接下来要处理模型文件。YOLOv5官方提供了多种预训练模型yolov5s.pt、yolov5m.pt等但直接使用效果可能不理想。根据我的实测经验模型选择yolov5s.pt速度最快140FPS但mAP只有27.3yolov5x.pt精度最高50.7mAP但速度仅25FPS。折中选择yolov5m.pt35.4mAP/85FPS最适合车辆跟踪参数调整修改models/yolov5s.yaml中的nc参数为你的类别数。比如只检测车辆时改为# parameters nc: 1 # 1 class (vehicle) depth_multiple: 0.33 # model depth multiple width_multiple: 0.50 # layer channel multipleDeepSort配置修改deep_sort_pytorch/configs/deep_sort.yamlREID_CKPT: deep_sort_pytorch/deep_sort/deep/checkpoint/ckpt.t7 # 确保路径正确 MAX_DIST: 0.2 # 匹配阈值值越小匹配越严格 MIN_CONFIDENCE: 0.3 # 检测置信度阈值有个极易忽略的细节YOLOv5默认输出是xywh格式而DeepSort需要xyxy格式。需要在detector.py中添加转换代码# 在YOLOv5检测器输出后添加 boxes xywh2xyxy(detections[:, :4]) # 转换坐标格式 scores detections[:, 4] classes detections[:, 5]4. 实战调试视频处理的完整流程终于到了激动人心的运行时刻但第一次执行python track.py时我又遇到了各种奇葩问题。下面分享完整的调试过程步骤1测试基础功能先用官方示例视频测试python track.py --source test.mp4 --show-vid --save-vid常见报错1No module named yolov5解决方法是在项目根目录创建空文件__init__.py然后添加环境变量import sys sys.path.append(./yolov5) # 假设yolov5是子目录常见报错2CUDA out of memory调整--img-size参数降低分辨率python track.py --img-size 640 # 默认是1280步骤2处理自定义视频修改inference/videos/your_video.mp4后关键参数这样设置python track.py \ --source your_video.mp4 \ --weights yolov5m.pt \ --img-size 960 \ --conf-thres 0.5 \ --iou-thres 0.5 \ --device 0 # 使用GPU性能优化技巧添加--half启用半精度推理速度提升30%使用--classes 2 5 7只检测汽车、公交车、卡车等特定类别设置--max-det 100限制每帧最大检测数步骤3保存和可视化结果输出结果默认保存在inference/output/包含跟踪视频.mp4轨迹数据.txt统计信息.csv可以用这段代码绘制轨迹热力图import seaborn as sns from matplotlib import pyplot as plt # 加载轨迹数据 tracks pd.read_csv(output/tracks.csv) sns.kdeplot(xx, yy, datatracks, cmapReds, shadeTrue) plt.savefig(heatmap.png)5. 性能优化让模型跑得更快更稳当项目能跑通后下一步就是优化性能。经过两周的调参测试我总结出这些实战经验GPU利用率提升技巧在torch.load()时添加map_location参数model torch.load(yolov5m.pt, map_locationcuda:0)启用TensorRT加速python export.py --weights yolov5m.pt --include engine --device 0使用torch.jit.trace生成脚本模型traced_model torch.jit.trace(model, example_inputs) traced_model.save(traced.pt)内存优化方案批处理尺寸调整在detect.py中修改--batch-sizeparser.add_argument(--batch-size, typeint, default8) # 根据GPU显存调整使用梯度检查点gradient checkpointingfrom torch.utils.checkpoint import checkpoint def forward(self, x): return checkpoint(self._forward, x)精度调优参数参数名推荐值作用说明--conf-thres0.4-0.6过滤低置信度检测--iou-thres0.3-0.5NMS的IoU阈值--agnostic-nmsTrue是否使用类别无关的NMS--augmentFalse测试时数据增强降低速度6. 扩展应用实现车辆计数与轨迹分析基础功能稳定后我进一步开发了车辆计数和轨迹分析功能。核心思路是在deep_sort_pytorch/deep_sort/tracker.py中扩展车辆计数实现# 在update方法中添加 for track in tracks: if not track.is_confirmed() or track.time_since_update 1: continue if track.prev_center and track.curr_center: # 判断是否越过计数线 if crossing_line(track.prev_center, track.curr_center, LINE_COORDS): counter 1轨迹存储优化 使用Python的deque保存最近100帧轨迹from collections import deque track_history defaultdict(lambda: deque(maxlen100)) def update_tracks(tracks): for track in tracks: track_history[track.track_id].append(track.curr_center)速度估算算法def estimate_speed(track_id, fps30, ppm8): ppm: pixels per meter positions list(track_history[track_id]) if len(positions) 2: return 0 dx positions[-1][0] - positions[-2][0] dy positions[-1][1] - positions[-2][1] pixel_dist math.sqrt(dx**2 dy**2) return (pixel_dist * fps * 3.6) / ppm # 转换为km/h可视化改进 使用OpenCV绘制更丰富的信息cv2.putText(img, fID: {track_id}, (x,y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2) cv2.polylines(img, [np.array(track_history[track_id])], False, color, thickness2)经过这些优化最终实现的车辆跟踪系统在1080P视频上能达到45FPSRTX 3060同时保持90%以上的计数准确率。最大的收获是版本锁定和逐步验证是深度学习项目落地的关键建议每个步骤都单独测试通过后再继续下一步