YOLOv5-deepsort 车辆行人目标跟踪，代码以配置好，下载后配置环境就可以使用，包括有训练好的YOLOv5车辆行人检测模型，并附上了测试视屏，并可绘制出目标 的运动轨迹，有使用说明可以参考，目标类别名为person，car，用于检测和跟踪车辆行人 https://blog.csdn.net/weixin_51154380/article/details/126395695?spm=1001.2014.3001.5502

DeepSORT算法流程分析.md

yolov4-deepsort 使用YOLOv4，DeepSort和TensorFlow实现的对象跟踪。 YOLOv4是一种先进的算法，它使用深度卷积神经网络来执行对象检测。 我们可以将YOLOv4的输出输入这些对象检测到Deep SORT（带有Deep Association Metric的简单在线和实时跟踪）中，以创建一个高度精确的对象跟踪器。 关于对象的对象跟踪器的演示 汽车上的对象跟踪器演示 入门 首先，请通过Anaconda或Pip安装适当的依赖项。 我建议使用GPU的人使用Anaconda路由，因为它可以为您配置CUDA工具包版本。 conda（推荐） # Tensorflow CPU conda env create -f conda-cpu.yml conda activate yolov4-cpu # Tensorflow GPU conda env create -

Yolov5_DeepSort车辆检测和跟踪，包含车辆数据集和训练好的YOLOv5车辆检测权重，代码配置好环境后可直接使用

飞鸟视觉检测和跟踪Yolov5_DeepSort_Pytorch-master-bird，内含YOLOv5训练好的鸟类检测模型

目标检测检测人+deepsort跟踪人，基于fasterrcnn以使用chainer默认的模型库 SSD的检测模型可私聊

Yolov5 DeepSort跟踪 bytetrack跟踪实例代码， deepsort 跟踪示例代码：track.py ByteTrack超越了此前所有的跟踪方法。 参考资料：https://blog.csdn.net/zhouchen1998/article/details/120932206 bytetrack示例代码：track_byte_demo.py

该工程把yolov5与deepsort相结合，将yolov5算法识别出的目标进行唯一标记，适用于对视频中的移动目标进行实时的识别与追踪，使用opencv库中的算法进行撞线检测和计数，用户可以根据自己的需要更改相应的代码部分来满足实际开发过程中的不同需求，不用下载额外的资源包，直接使用yolov5的虚拟环境即可将本项目run起来，十分的好用

目标追踪篇---Yolov5_DeepSort_Pytorch复现 源代码修改可用，具体过程可看我的博客 https://blog.csdn.net/m0_46825740/article/details/121973155 修改后可以训练自己的数据，比较实用

def distance(self, features, targets): cost_matrix = np.zeros((len(targets), len(features))) key_list = list(self.samples.keys()) for i, target_k in enumerate(targets): target = key_list[i] cost_matrix[i, :] = self._metric(self.samples[target], features) return cost_matrix