如何基于自己训练的Yolov5权重，结合DeepSort实现目标跟踪

最新推荐文章于 2026-05-29 07:57:48 发布

原创

最新推荐文章于 2026-05-29 07:57:48 发布 · 1.9k 阅读

文章讲述了如何在DeepSORT中处理非连续视频训练、YOLO训练类型管理，以及如何配置参数进行目标跟踪。重点在于解决实际操作中的问题和示例配置。

开发板推荐：天空星STM32F407VET6开发板

超高性价比 STM32主控 | 超高主频 | 一板兼容百芯 | 比赛神器 | 沉金彩色丝印

点击查看

网上有很多相关不错的操作demo，但自己在训练过程仍然遇到不少疑惑。因此，我这总结一下操作过程中所解决的问题。

1、deepsort的训练集是否必须基于逐帧视频？
我经过尝试，发现非连续性的图像仍可以作为训练集。一个实例（如指定某个人、某辆车等）对应一个train\test文件夹即可。当然，逐帧效果更佳。
在这里插入图片描述

2、yolo训练的类型不止一个，该怎么办？
按照问题1中，每个类型都可以制作1个或多个实例（如类型0表示自行车，则可以有红色自行车、蓝色自行车等多个实例，类别1表示xxx，同理），全部都集中存放于train\test即可。

在这里插入图片描述

3、deepsort训练完成后，如何实现对自己视频中的目标进行跟踪？
将track.py相关参数进行修改即可，如下所示。注意，若yolo存在识别多个类别，则需要对应修改’–classes’中参数！！！

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    # 表示yolo训练得到的权重
    parser.add_argument('--yolo_weights', type=str, default='yolov5/weights/best.pt', help='model.pt path')
    # 表示训练得到的权重
    parser.add_argument('--deep_sort_weights', type=str, default='deep_sort_pytorch/deep_sort/deep/checkpoint/ckpt.t7', help='ckpt.t7 path')<