在YOLO中进行高效再识别跟踪 第1张Source – 

要查看上下文中的所有差异并获取完整的 botsort.py 补丁，请查看 和本。请务必在阅读本指南时一并阅读，这样您就能逐步了解每一处改动。

所做更改：

所做更改：

所做更改：

所做更改：

调整 botsort.yaml 参数，以改进遮挡处理和匹配容差：

所做更改：

所作更改：

有了这些简洁的修改，Ultralytics YOLO 与 BoT-SORT 现在可以原生支持基于特征的再识别，而无需添加第二个再识别网络，从而以最小的性能开销实现稳健的身份保护。您可以尝试使用步骤 5 中的阈值，根据自己的应用调整匹配的严格程度。

⚠️ 注：这些更改并非 Ultralytics 正式版本的一部分。它们需要手动执行，以实现高效的重新识别。

在这里，水栓（id8）、卡车附近的妇女（id67）和画面左侧的卡车（id3）都被重新准确识别。

虽然有些物体（id4、id5、id60）被正确识别，但背景中的几名警察却得到了不同的 ID，这可能是由于帧频限制造成的。

球（id3）和射手（id1）被很好地跟踪和识别，但被射手遮挡住的守门员（id2 -> id8）由于失去可见度而被赋予了新的 ID。

我们正在开发一个名为 Trackers 的新开源工具包，以简化多目标跟踪工作流程。Trackers 将提供

DeepSORT 和 SORT 已经可以在 GitHub 代码库中导入，其余跟踪器将在随后几周内添加。

Github 链接 –

比较部分显示，YOLO 中的 Re-ID 性能可靠，能在各帧中保持对象的身份。偶尔出现的不匹配是由于遮挡或帧频过低造成的，这在实时跟踪中很常见。可调节的接近度阈值和外观阈值 为各种使用案例提供了灵活性。

关键优势在于效率：利用 YOLO 的对象级特征，无需单独的 Re-ID 网络，从而实现了轻量级、可部署的管道。

这种方法提供了一个强大而实用的多目标跟踪解决方案。未来的改进可能包括自适应阈值、更好的特征提取或时间平滑。

注：这些更新还不是官方 Ultralytics 库的一部分，必须手动应用，如共享资源所示。