请与我们一起深入了解如何在监控、农业和制造业等实时应用中使用Ultralytics YOLO11 进行目标跟踪。
比方说，您想监控和跟踪制造工厂装配线上组件的移动情况，以确保质量控制并提高工作流程效率。通常情况下，这需要进行人工检查或使用基本的传感器来跟踪项目，这样做既费时又容易出错。然而，计算机视觉和物体跟踪可用于自动化和增强这一过程。
物体跟踪是一项计算机视觉任务，有助于检测、识别和跟踪视频中的物体。它的应用范围非常广泛，从农场的动物监控到零售店的安全监控，无所不包。视频中被跟踪的物体通常使用边界框进行可视化，以帮助用户准确地看到它们在视频帧中的位置和检测位置。
Ultralytics' 年度混合活动 YOLO Vision 2024 (YV24) 期间发布、 Ultralytics YOLO11是一种计算机视觉模型，可以处理各种视觉人工智能任务，包括物体跟踪。在本文中，我们将探讨物体跟踪的工作原理，并讨论其在现实世界中的应用。我们还将介绍如何使用 YOLO11.让我们开始吧！
物体跟踪是一项重要的计算机视觉技术。它可以识别视频中的物体并对其进行长期跟踪。物体跟踪似乎与另一项计算机视觉任务--物体检测--非常相似。两者的关键区别在于如何处理视频帧。物体检测单独查看每一帧图像，对物体进行识别和分类，而不考虑前一帧或后一帧图像。而物体跟踪则是将帧与帧之间的点连接起来，在一段时间内跟踪相同的物体，并记录它们的运动轨迹。
下面将详细介绍物体追踪的工作原理：
Ultralytics 它利用BoT-SORT和ByteTrack 等先进的跟踪算法，支持实时对象跟踪。它还能与分割和姿态估算 YOLO11 模型无缝配合，是执行各种跟踪任务的灵活工具。
Ultralytics YOLO11 型号的多功能性为许多行业开辟了广泛的应用领域。让我们仔细看看YOLO11 物体跟踪的一些使用案例。
物体跟踪对于帮助自动驾驶汽车安全高效地运行至关重要。这些车辆需要不断了解周围环境，以便做出实时决策，如停车、转弯或变道。物体检测可以让汽车识别环境中的关键要素，如行人、骑自行车的人、其他车辆和交通标志。然而，仅仅在一瞬间检测到这些物体还不足以实现安全导航。
这就是物体跟踪的作用所在。它可以让汽车在一段时间内跟踪这些物体，在多个画面中追踪它们的移动。例如，它可以帮助自动驾驶汽车预测行人的方向，监控附近车辆的速度和方向，或识别交通信号灯是否有变化。通过将检测和跟踪相结合，自动驾驶汽车可以预测周围物体的移动，主动做出反应，并安全平稳地行驶。
跟踪农场中的动物（如牛）对有效管理至关重要，但这可能是一项繁琐耗时的任务。传统方法，如使用传感器或标签，往往有其弊端。这些装置在连接时会对动物造成压力，而且容易脱落或损坏，从而影响追踪工作。
计算机视觉 为农民监控和跟踪动物提供了更好的解决方案，而无需物理标签。物体跟踪可以让农民对动物的行为和健康状况有宝贵的了解。例如，它可以帮助检测影响动物行走方式的跛足等情况。通过使用物体追踪技术，养殖户可以发现动物运动的细微变化，及早解决健康问题。
除了健康监测，计算机视觉还能帮助养殖户了解其他行为，如社交互动、饮食习惯和运动模式。这些洞察力可以改善畜群管理，优化饲喂计划，提高动物的整体健康水平。通过减少人工劳动和降低动物的压力，基于计算机视觉的跟踪技术是现代农业的一种实用而高效的工具。
在制造业中，物体跟踪有很多应用案例。例如，物体检测和跟踪系统可以监控生产线。当产品或原材料在传送带上移动时，可以很容易地对其进行跟踪和计数。这些系统还可以与其他计算机视觉 系统集成 ，以执行其他任务。例如，可以使用缺陷检测系统识别有缺陷的物品，并使用物体跟踪系统进行跟踪，以确保缺陷得到妥善处理。
物体跟踪在制造业中的另一个重要应用与安全有关。物体跟踪系统可用于检测和跟踪处于潜在危险制造环境中的工人。可以利用计算机视觉系统对危险区域进行标记和持续监控，如果工人（被跟踪）靠近这些区域，主管人员就会收到通知。此类安全系统还可用于检测和跟踪设备，防止盗窃。
实时目标跟踪被广泛应用于安全和监控系统中。这些系统可用于监控公共场所、交通枢纽和大型购物中心等大型零售环境。大型拥挤区域可利用这项技术跟踪可疑人员或人群行为，提供无缝监控解决方案。例如，在大流行病期间，物体跟踪系统被用来跟踪拥挤的区域，确保人们保持社会距离。
物体跟踪也可用于交通监控。通过物体跟踪，可以跟踪和分析车辆的行为方式，实时发现异常或可疑行为，从而帮助预防事故或犯罪。速度估算系统就是一个很好的例子。它们可以检测和跟踪车辆，以确定其速度。
既然我们已经探索了一些物体追踪应用，下面我们就来讨论一下如何使用Ultralytics YOLO11 模型进行尝试。
要开始使用，请使用 pip、conda 或 Docker 安装Ultralytics Python 软件包。如果在安装过程中遇到任何问题，我们的《常见问题指南》提供了有用的故障排除技巧。
成功安装软件包后，请运行以下代码。它概述了如何加载Ultralytics YOLO11 模型并用它来跟踪视频文件中的对象。代码中使用的模型是 "yolo11n.pt"。n "代表 Nano，即YOLO11 模型的最小变体。此外，还有其他型号可供选择--小型、中型、大型和超大型。
您还可以选择使用定制训练模型，而不是预训练模型。自定义训练包括对预训练模型进行微调，以适应您的特定应用。
如前所述，以下YOLO11 模型支持对象跟踪：对象检测、姿态估计和实例分割。如果您有涉及跟踪的特定应用，您可以根据自己的应用自定义训练其中任何一个模型。您可以使用Ultralytics Python 软件包或无代码平台 Ultralytics HUB 自定义训练模型。
Ultralytics YOLO11 是在视频中跟踪物体的绝佳工具，可用于自动驾驶汽车、农业、制造业和安防等多个领域。它可以实时检测和跟踪物体，帮助企业和行业跟踪其工人和设备。该模型易于使用，可根据特定需求进行定制，对于有意无缝采用计算机视觉功能的人来说是一个不错的选择。
要了解更多信息，请访问我们的GitHub 存储库，并与我们的社区互动。在我们的解决方案页面探索人工智能在自动驾驶汽车和农业领域的应用。🚀
