aparsoft/yolo-streamlit-detection-tracking

🔬 YOLO Vision Studio – Ultralytics YOLO 的 Streamlit UI

是什么 – 一个免费开源的 Web 应用（基于 Streamlit），可让您在图像或视频流上运行最先进的 YOLO 模型，并实时查看结果。支持检测、实例分割、姿态估计、基于文本的物体查询（YOLO World），以及多种现代追踪器的多对象追踪。

为何重要 – 在视频中统计 不同 物体很困难，因为人（或车）会消失又重新出现。该应用在每一帧上显示两个数字：

• 帧内 – 检测器当前看到的内容。
• 经过 / 已追踪 – 至少确认 5 帧以上的唯一 ID，提供真实总数。 还显示一个 流失率（churn）指标，告诉您追踪中断的频率。

主要功能

功能	详情
模型	Ultralytics YOLO-v8-26（nano → xlarge）、YOLO-E、YOLO World v2、RT-DETR。自动下载权重。
任务	物体检测、实例分割、姿态关键点、基于文本的“输入即查找”。
追踪	四种内置追踪器 – ByteTrack、BoT-SORT、Deep OC-SORT、TrackTrack – 支持可选外观 ReID。
源	本地视频文件、网络摄像头（浏览器）、RTSP 流、YouTube URL。
实时 UI	侧边栏可选择模式、模型、置信度、类别过滤器、帧跳过因子和追踪器设置。
计数与指标	按类别计数、ID 发放 vs 确认追踪、流失率，以及视频结束后汇总表格。
多视频	可并排显示多个视频，每个视频拥有独立追踪器。
可部署	本地运行或在 Streamlit Cloud（仅 CPU）上运行。

快速开始（需 Python 3.10+）

# 克隆并进入仓库
git clone https://github.com/aparsoft/yolo-streamlit-detection-tracking.git
cd yolo-streamlit-detection-tracking

# 推荐：使用 uv（快速，支持锁文件）
uv sync                     # 创建 .venv 并精确安装依赖
uv run python scripts/get_sample_videos.py   # 可选：获取示例片段
uv run streamlit run app.py   # 打开 http://localhost:8501

或使用 pip：

python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt   # 或使用 requirements-lock.txt 获取精确版本
python scripts/get_sample_videos.py   # 可选
streamlit run app.py

首次运行时，会将所需 YOLO 权重下载到 weights/ 目录中。

如何使用

1. 在侧边栏选择 图像 或 视频 模式。
2. 选择源（文件、摄像头、RTSP、YouTube）。
3. 选择模型（速度优先选 nano，精度优先选 xlarge），并设置置信度阈值。
4. （视频）选择追踪器，并可选启用 ReID。
5. 点击 检测 – 应用将实时流式传输带边界框、掩码、骨架或高亮提示的帧，同时显示实时计数。
6. 可通过 ⏹ 停止 按钮提前终止；视频结束后将显示追踪摘要。

配置 – 所有默认值均位于 config.py（置信度、最小追踪命中数、显示大小等）。添加自定义 .pt 模型只需将文件放入 weights/ 并在 config.py 中注册即可。

项目结构

app.py                # Streamlit 入口点，UI 路由
config.py             # 模型目录，默认设置
model_loader.py       # 每会话缓存模型
image_service.py      # 处理图像上传与推理
video_service.py      # 视频源处理、追踪、叠加
scripts/get_sample_videos.py
docs/ (沙盒笔记本，笔记)
assets/ (README 图片)
weights/ (下载的模型文件)

许可证 – 应用代码采用 Apache-2.0；模型权重遵循 Ultralytics 的 AGPL-3.0（商业用途需其企业许可证）。

适合人群 – 希望无需编写代码即可实验 YOLO 检测、分割、姿态和追踪的研究人员或爱好者；需要快速演示用于监控、零售客流分析或任何基于视频计数任务的开发者。