YOLOv8+DeepSORT车辆跟踪计数系统：从原理到部署调优

简介：这是一份基于YOLOv8与DeepSORT的智能车辆跟踪与计数系统完整源码，面向毕业设计、课程设计及期末大作业等场景，适合具备一定Python与深度学习基础的学生参考与二次开发。项目通过YOLOv8完成车辆目标检测，再借助DeepSORT实现跨帧跟踪与计数，整体流程清晰，且已通过导师指导认可，调试后可直接运行。压缩包共42个文件，核心为31个Python源码文件，覆盖检测、跟踪、计数及Web界面等模块；另有预训练权重pt、DeepSORT特征提取模型t7、配置文件yaml、依赖清单txt以及测试视频mp4等，便于上手复现与效果演示。资源包大小约50.05MB，内容组织紧凑。目前已有1355人学习下载，人气稳定。获取后可获得整套项目源码、运行环境说明、可视化演示截图与使用文档，能够帮助快速理解目标跟踪的实现思路，也可作为毕业设计答辩或课堂展示的有力支撑。

1. 目标跟踪+YOLOv8-deepsort 智能车辆跟踪+计数系统：先定位它

拿到这份《目标跟踪+YOLOv8-deepsort 实现智能车辆跟踪+计数系统源码》高分毕设项目，我第一眼不是去看它能不能跑，而是看它有没有把“检测”和“跟踪”真正接起来。这套源码的做法是：YOLOv8 负责在每一帧画出车辆框，DeepSORT 以卡尔曼滤波和外观特征维护每个目标的 ID，最后由计数函数统计跨过虚拟线的车流。它解决的是单帧检测无法回答的“上一秒那辆车还是不是同一辆”的问题，适合毕业设计、课程设计、期末大作业里做交通流量统计或目标跟踪演示。无论你用 test.mp4 快速复现，还是替换成自己的视频，核心链路不变。

2. 项目结构和关键链路：YOLOv8 特征提取、卡尔曼滤波与级联匹配

2.1 压缩包里每个文件是干什么的

拿到压缩包后先看结构，不能上来就跑。下面是这个项目里出现的文件与常见职责划分，我按源码包内容结合常规工程结构做了定位：

实际运行时，app.py和main.py至少有一个是完整入口。如果app.py里通过subprocess或直接调用检测器，那么 Web 端和命令行共用同一套deep_sort逻辑；如果两套代码各自封装，则要注意参数是否一致。我一般会先看main.py的if __name__ == "__main__"块，确认默认传入的视频路径和模型路径，再决定是直接运行还是改参数。

2.2 YOLOv8 的检测能力：网络结构图中的 C2f 与 anchor-free 头

YOLOv8 比上一代 YOLOv5 的改进集中在 Backbone 和 Neck。看 YOLOv8 网络结构图会发现，C2f 模块取代了原来的 C3 模块，它把输入按通道分成两个分支，经过多个 Bottleneck 后再拼接，这样在控制参数量的同时保留更丰富的梯度流。Head 部分去掉了 anchor，改成解耦的 anchor-free 结构，分别输出分类和回归结果。

这套项目中，YOLOv8 并不直接参与跟踪，它只负责给出目标的边界框、置信度与类别。对于车辆场景，COCO 类别中 car、bus、truck 的类 ID 分别是 2、5、7，某些项目还会把 motorcycle 的类 ID 3 也纳入统计。实测在 GTX1660Ti 上跑 YOLOv8n，640×640 输入时单帧推理大约 30~50ms，给 DeepSORT 留下了足够的计算余量。

2.3 DeepSORT 的跟踪逻辑：卡尔曼滤波、级联匹配与外观特征

DeepSORT 的核心是卡尔曼滤波目标跟踪加数据关联。卡尔曼滤波负责预测每个轨迹在当前帧的状态，状态向量通常是[center_x, center_y, aspect_ratio, height, vx, vy, vr, vh]。外观特征由一个小型 ReID 网络提取，用于计算目标与轨迹之间的余弦距离。在真正做关联时，会把运动距离和马氏距离加权合成代价矩阵，再用匈牙利算法进行级联匹配。

级联匹配的设计很关键：对于连续多帧丢失的轨迹，会降低优先匹配权；对于新出现的检测框，要用运动信息和外观信息同时约束，避免把旁边车道的车当成同一个目标。这个项目中，deep_sort/configs里往往就是这些参数的默认值。

2.4 从一帧到计数结果的完整调用关系

我把主流程压缩成可读的伪代码，放在main.py里大致是下面这样：

import cv2 from ultralytics import YOLO from deep_sort.deep_sort.tracker import Tracker # 初始化检测器与跟踪器 model = YOLO("yolov8n.pt") tracker = Tracker(config_path="configs/deep_sort.yaml") cap = cv2.VideoCapture("test.mp4") vehicle_class_ids = {2, 5, 7} # car, bus, truck while cap.isOpened(): ret, frame = cap.read() if not ret: break # 1. YOLOv8 检测 results = model(frame, conf=0.4, classes=list(vehicle_class_ids)) detections = [] for box in results[0].boxes: x1, y1, x2, y2 = box.xyxy[0].tolist() conf = float(box.conf[0]) cls = int(box.cls[0]) detections.append([x1, y1, x2, y2, conf, cls]) # 2. DeepSORT 更新轨迹 tracks = tracker.update(detections, frame) # 3. 对每个轨迹做计数线判断 for track in tracks: if track.cls in vehicle_class_ids and is_crossing_line(track): total_count += 1

代码里值得注意的部分是Tracker.update()的输入格式。不同 DeepSORT 版本对检测框的要求不一样，有的接收[x1, y1, x2, y2, conf]，有的接收[x, y, w, h, conf]。如果发现跟踪结果总是空，优先检查这个格式转换是否匹配。classes参数提前过滤非车辆类别，可以明显减少 ReID 计算量，因为背景和目标过多时，匈牙利匹配的代价矩阵会迅速膨胀。

3. 环境配置与快速跑通：requirements、yolov8n.pt 与 main.py 参数解析

3.1 创建虚拟环境与安装依赖

目标跟踪项目最怕环境冲突，尤其是 PyTorch 与 OpenCV 的版本。建议用 conda 单独建环境，Python 版本控制在 3.9 或 3.10。以下是常见做法：

conda create -n yolov8_deepsort python=3.9 -y conda activate yolov8_deepsort pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

如果requirements.txt里的 torch 没有指定 CUDA 版本，建议先单独安装 PyTorch，再安装其他依赖。GTX1660Ti 这类 6GB 显存的卡，推荐 torch 1.13 后的 CUDA 11.x 版本：

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics opencv-python streamlit

参数说明：--index-url指定 PyTorch 官方源，避免从默认 PyPI 拉到 CPU 版本；安装顺序上先装 torch 再装其他依赖，可以让 ultralytics 正确识别 GPU 环境。如果你的机器根本没有 NVIDIA GPU，也可以直接用 CPU 版本，但 test.mp4 的分辨率建议压到 640 以下，否则实时性会比较差。

3.2 权重与测试视频的预处理

yolov8n.pt如果不在项目根目录，ultralytics 会自动下载，但在网络受限时非常容易卡住。建议把权重文件放到项目根目录，并在main.py或configs中配置绝对路径。test.mp4也一样，视频路径不要带中文，Windows 下 OpenCV 对中文路径的兼容性较差。

如果想让计数效果更接近论文效果，最好先把视频转成 H.264 编码，帧率固定为 25FPS 或 30FPS。因为 DeepSORT 的运动预测与帧间隔强相关，帧率抖动太大会导致卡尔曼滤波预测位置偏移。

3.3 通过 main.py 运行命令行推理

命令行入口是快速验证项目能否运行的首选。典型的启动命令如下：

python main.py --source test.mp4 --model yolov8n.pt --conf 0.4 --iou 0.5 --device 0

这个参数表在多数封装里都通用。运行时如果看到画面中车辆框闪烁或ID频繁跳变，不要急着改 DeepSORT，先降低conf到 0.3 看检测是否稳定，再决定调跟踪参数。

3.4 WebUI 入口：Streamlit 启动方式

项目里既然有app.py和webui.png，大概率是用 Streamlit 包装的可视化界面。启动方式：

streamlit run app.py

启动后浏览器会自动打开本地地址。若端口被占用，加--server.port 8502指定端口。Web 界面的好处是可以上传任意视频，并在右侧实时看到计数曲线，但注意每一次上传的视频都会重新初始化跟踪器，不能保留前一视频的 ID 计数。

3.5 requirements 安装与环境排错

如果安装时出现ModuleNotFoundError: No module named 'torch'，说明 requirements 中没有显式声明 torch，需要按 3.1 的命令手动补装。如果运行时报AttributeError: 'NoneType' object has no attribute 'shape'，说明test.mp4没有正确读取，优先检查路径，其次检查cv2.VideoCapture是否被其他软件占用了摄像头驱动。这些都是毕设答辩前最容易被问到的运行错误。

4. 车流计数逻辑与调优：虚拟计数线、ID Switch 与阈值设置

4.1 设置虚拟计数线与方向判定

计数不能只数“画面里有几辆车”，而是要在固定位置设置一条虚拟线，让车辆中心点越过该线时才计数。常见做法是在画面中下部画一条水平线，例如视频分辨率是 1280×720，就把线设在y = 600。这样车辆在未接近线之前不会触发计数，避免了远处小目标抖动导致的误计。

判断一辆车是否跨越线的核心代码：

def is_crossing_line(prev_center_y, curr_center_y, line_y=600): # 从上往下经过计数线 if prev_center_y < line_y <= curr_center_y: return "in" # 从下往上经过计数线 if prev_center_y > line_y >= curr_center_y: return "out" return None

这段代码的作用是把当前帧车辆中心点与历史轨迹中的中心点做比较。prev_center_y来自追踪器保存的历史状态，curr_center_y是当前帧跟踪框的中间点坐标。需要注意，同一个 track_id 在跨线后要做标记，避免后续帧中目标还在线旁边时被重复计数。如果目标被遮挡导致 ID 切换，就会出现原本一辆车被数两次的问题，所以计数逻辑必须依赖跟踪质量，而不是单纯依赖单帧检测。

4.2 DeepSORT 核心参数对计数准确度的影响

这些参数通常在configs/deep_sort.yaml里维护。调参时不要单独调一个，通常是max_cos_dist和max_age一起调整。如果发现某一辆车从货车后面出来就换 ID，优先增大max_age到 50，并降低max_cos_dist到 0.2，强制要求外观更相似才允许继续用旧 ID。

4.3 检测阈值如何协同调整

跟踪准确度的上限是检测准确度。对交通场景，建议把检测类别限制在车辆相关类别，并调节conf到 0.3~0.5 之间。代码中可以使用classes参数：

results = model(frame, conf=0.35, iou=0.6, classes=[2, 5, 7])

这里conf=0.35是为了把较远距离的小车也检出来；iou=0.6让两个重叠框更难被合并，适合拥挤路段。classes=[2,5,7]表示只保留 car、bus、truck，如果场景里有摩托车且要统计，就改成[2,3,5,7]。注意，行人类别 0 不要加进去，否则行人走在车流中也会被跟踪，给计数线造成干扰。

4.4 在 GTX1660Ti 上跑 YOLOv8 的提速技巧

GTX1660Ti 跑 YOLOv8-deepsort，瓶颈往往不是 GPU 推理，而是 DeepSORT 的 ReID 特征提取。ReID 模型在原版 DeepSORT 中是每帧对每个检测框做一次特征提取，目标多时非常慢。常见做法有两个：一是降低检测帧率，每两帧检测一次，中间帧用上一帧的检测结果做补偿；二是把检测器切到 half 精度：

results = model(frame, imgsz=480, half=True, conf=0.4)

imgsz=480把输入分辨率降到 480，车辆目标依然清晰；half=True使用 FP16 推理。实测类似配置下，GTX1660Ti 上能接近实时。对于毕设答辩，只要不卡成幻灯片，一般不会扣分。

5. 训练自己的车辆数据集与损失函数曲线：脱离 COCO 限制

5.1 准备自己的数据集与 data.yaml

如果不想只依赖 COCO 预训练模型，可以把项目升级成“训练自己的数据集”。车辆检测的标注格式推荐 YOLO 格式：每张图像对应一个同名 txt，每行是class x_center y_center width height，坐标都是归一化后的值。数据集目录结构如下：

datasets/vehicle/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── vehicle.yaml

vehicle.yaml内容：

path: datasets/vehicle train: images/train val: images/val names: 0: car 1: bus 2: truck

这里的path建议写相对路径，训练时从项目根目录启动命令即可，避免跨机器后路径失效。类别名称不要用中文，DeepSORT 的类别映射在读取时可能会因编码问题报错。

5.2 使用 ultralytics 官方训练命令

在项目根目录执行：

yolo train data=datasets/vehicle/vehicle.yaml model=yolov8n.pt epochs=100 imgsz=640 batch=8 device=0

参数说明：model=yolov8n.pt表示基于预训练权重继续训练；epochs=100对于车辆这类目标差异较大的数据集足够；batch=8是 GTX1660Ti 6GB 显存下比较稳妥的值，如果显存不足改为 4；device=0指定 GPU，CPU 环境写device=cpu但训练会非常慢。

训练过程中，YOLOv8 的 C2f 结构和 anchor-free 头会自动适应数据集类别数。如果你只识别三类车辆，最终模型会从 80 类输出变成 3 类输出，不再需要二次过滤。

5.3 从 results.csv 绘制训练与验证损失曲线

训练累计到一定 epoch 后，会生成runs/detect/train/results.csv。用下面的代码可以画出损失函数曲线：

import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("runs/detect/train/results.csv") columns = ["train/box_loss", "val/box_loss", "train/cls_loss", "val/cls_loss"] df = df.rename(columns=lambda x: x.strip()) plt.figure(figsize=(10, 6)) for col in columns: if col in df.columns: plt.plot(df["epoch"], df[col], label=col) plt.xlabel("epoch") plt.ylabel("loss") plt.legend() plt.savefig("loss_curve.png")

这段代码把训练集和验证集的 box_loss、cls_loss 画在一起。正常情况下 box_loss 应该在 20 个 epoch 内快速下降，之后缓慢收敛；如果 val 损失持续上升而 train 下降，说明过拟合，可以把epochs降到 50 或加大数据增强。绘制出来的曲线图也可以直接放进毕业设计论文的实验分析部分。

6. 验证计数准确度与最终调试技巧

6.1 用固定视频量化计数误差

选定一段 30 秒以上、车流量适中的视频，人工数出真实的车流量，再和系统输出对比。计算两个指标：检测准确率与计数准确率。检测准确率看有没有漏检或误检的车，计数准确率看重复计数和漏计数的总和。

6.2 三个最有效的最终调试技巧

第一，把计数线放到画面下三分之一处，避开远处小目标和树木阴影；第二，对跟踪结果落盘写日志，当计数异常时回看是哪几帧的 ID 发生切换；第三，调整参数时把视频截取成 5 秒切片，每个切片只改一个参数，观察结果变化。

如果出现频繁的同一辆车重复计数，最有效的处理是在计数逻辑里维护一个字典，键是 track_id，值是“是否已计入本次驶过”。当车辆跨线后立即写入counted_ids.add(track_id)，即使该 ID 在当前帧还停留在线上，也不会再次触发。当该车辆彻底离开画面并被追踪器删除后，再清理该 track_id，避免内存增长。最后再强调一遍：DeepSORT 参数的修改要写在configs/deep_sort.yaml固定下来，不要在main.py中硬编码，否则切换视频后你很难定位是哪一套参数在起作用。

本文还有配套的精品资源，点击获取