yolov11_ocsort_ncnn

KO | EN

gitlite — search

#ai #typescript #llm #golang #rust #deep-learning #docker #macos #nodejs #cli #vue #mcp #openai #open-source

yolov11_ocsort_ncnn

(★ 9)

使用YOLOv11和OCSort进行多类别目标跟踪。(基于ncnn框架，c++实现）

yolov11_ocsort_ncnn 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# yolov11_ocsort_ncnn
使用YOLOv11和OCSort进行多类别目标跟踪。(基于ncnn框架，c++实现）

### 写在前面

之前尝试过使用YOLOv11和DeepSort实现行人跟踪，亲自实现后发现Deepsort这个算法的局限性还是挺大的。（[yolov11_deepsort_ncnn](https://github.com/zhahoi/yolov11_deepsort_ncnn)）一方面使用DeepSort进行目标追踪需要另外训练出一个模型，增加推理时间；另一方面，只能跟踪单类别的目标。老实说，实际应用选择该算法应该比较少。

最近在网上检索合适的目标跟踪算法时，发现了一个除了`ByteTracker`和`DeepSort`另外的一种目标跟踪算法。以下是三者算法优略比较（来自chatgpt):

| 特性 / 算法          | DeepSort                                  | ByteTrack                           | OCSort                                             |
| -------------------- | ----------------------------------------- | ----------------------------------- | -------------------------------------------------- |
| **基本思想**         | 基于检测 + Kalman Filter + 外观特征匹配   | 基于检测 + Kalman Filter + IoU 匹配 | 基于检测 + Kalman Filter + 区分可见/遮挡状态的匹配 |
| **外观特征依赖**     | 强依赖 CNN 特征用于匹配，处理遮挡能力较强 | 可选外观特征，主要依赖运动信息      | 默认不依赖外观特征，结合可见性/遮挡信息匹配        |
| **遮挡处理**         | 使用外观特征缓解遮挡                      | 基于运动信息，遮挡期间易丢失        | 明确区分“可见/遮挡轨迹”，遮挡后重新关联能力更强    |
| **误匹配率**         | 中等，遮挡严重时可能误关联                | 较低，通过低分检测补充轨迹          | 更低，通过 Occlusion-aware Matching 减少误关联     |
| **速度**             | 中等，外观特征提取耗时                    | 高速，轻量级                        | 高速，计算轻量，且无需外观特征                     |
| **轻量级 / 部署**    | 较重，需要特征提取网络                    | 轻量级，易部署                      | 轻量级，简单 Kalman + 区分可见性逻辑               |
| **跟踪稳定性**       | 遮挡多时轨迹易断裂                        | 遮挡轻微影响，短时遮挡易断          | 遮挡追踪能力更稳定，尤其是短期遮挡                 |
| **对低分检测的利用** | 一般忽略低分框                            | 使用低分框补充轨迹                  | 可以智能利用低分检测框，提高遮挡恢复率             |
| **主要优势**         | 对外观变化敏感，遮挡时表现一般            | 快速，低复杂度，低误匹配            | 遮挡处理更智能、误匹配少、速度快、轻量化           |

从表中就可以看到，OCSort算法在目标跟踪中存在很大的优势，因此自己想尝试用ncnn框架实现该算法。

【基本说明】使用的目标检测为YOLOv11的nano版本，OCSort算法参考自官方的[OC_SORT](https://github.com/noahcao/OC_SORT)项目，其中存在`c++`实现。由于OCSort是一种即插即用的目标跟踪算法，因此很容易地可以嵌入到现有的其他项目中。在本项目中，几乎没对OCSort的代码部分进行修改，修改的部分来自融合目标检测和目标跟踪部分。

【注】对应的tensorRT版本实现，指路：[yolov11_ocsort_tensorrt](https://github.com/zhahoi/yolov11_ocsort_tensorrt.git)。

### 环境配置

- Ubuntu 2024.04
- ncnn-20250503-full-source
- opencv-3.4.10
- eigen3

**注：并不需要和本仓库代码的配置环境保持一致，可以根据自己的实际情况来即可。**

### 推理设置

1. 先将本项目拷贝到本地的运行环境中。

```shell
   $ git clone https://github.com/zhahoi/yolov11_ocsort_ncnn.git
   ```

2. 修改`CMakeLists.txt`中依赖库的位置，和`detector/yolov11.h`中引入权重的位置。

3. 在仓库中新建`build`文件夹；

4. 随后进入`build`文件夹下，使用以下指令进行编译：

```bash
   $ cmake ..
   $ make -j8
   ```

5. 进行推理（参考）

```sh
   $ ./yolov11_ocsort ***.mp4  //进行视频推理
   $ ./yolov11_ocsort ***.mp4  1 //进行视频推理并保存推理后的视频
   ```

### 推理结果

![output_video](https://raw.githubusercontent.com/zhahoi/yolov11_ocsort_ncnn/main/outputs/output_video.gif)

![output2](https://raw.githubusercontent.com/zhahoi/yolov11_ocsort_ncnn/main/outputs/output_video2.gif)

![output1](https://raw.githubusercontent.com/zhahoi/yolov11_ocsort_ncnn/main/outputs/output_video1.gif)

### 写在后面

1. 我自己实现后发现，ocsort的推理帧数还真的是不错，在没有gpu的情况下还可以保证20-30帧率的检测速度。另外这是多类别跟踪，真的是比deepsort强很多。
2. 如果有疑问的话，可以开issue提问。如果觉得这个项目还不错的话麻烦给一个star或者fork，可以让我开心一整天。
3. **某些把我开源的代码拿去打包出售的人能不能去死一死，做个人好嘛。**

### Reference

- [OC_SORT](https://github.com/noahcao/OC_SORT)
- [yolov11_deepsort_ncnn](https://github.com/zhahoi/yolov11_deepsort_ncnn)

yolov11_ocsort_ncnn

yolov11_ocsort_ncnn 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

yolov11_ocsort_ncnn

yolov11_ocsort_ncnn 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README