保姆级教程：用YOLOv8和DeepSORT在Windows上实现视频行人车辆计数（附完整代码与环境配置）

从零搭建YOLOv8DeepSORT多目标跟踪系统Windows环境完整实战指南在智能安防、交通监控等场景中自动统计行人车辆数量是基础却关键的需求。本文将手把手带您完成YOLOv8目标检测与DeepSORT多目标跟踪的完整环境搭建与项目部署即使您是刚接触计算机视觉的新手也能跟随步骤实现视频分析流水线。1. 开发环境准备避坑指南1.1 硬件与基础软件检查确保您的Windows设备满足以下最低配置GPUNVIDIA显卡GTX 1060及以上驱动CUDA 11.7和cuDNN 8.5兼容版本系统Windows 10/11 64位提示运行nvidia-smi命令可查看显卡驱动版本若未识别请先安装最新NVIDIA驱动1.2 开发工具链安装按顺序完成以下关键组件安装Visual Studio 2022安装时勾选使用C的桌面开发组件CUDA Toolkit推荐11.7版本与后续PyTorch版本匹配cuDNN下载对应CUDA版本的压缩包解压后复制到CUDA安装目录AnacondaPython环境管理工具# 验证CUDA安装成功 nvcc --version1.3 Conda虚拟环境配置创建隔离的Python环境避免依赖冲突conda create -n yolov8_tracking python3.9 conda activate yolov8_tracking2. 核心组件安装与验证2.1 YOLOv8框架部署使用官方ultralytics库安装pip install ultralytics pip install torch1.13.1cu117 torchvision0.14.1cu117 --extra-index-url https://download.pytorch.org/whl/cu1172.2 DeepSORT依赖安装需要额外安装的特定版本库# requirements.txt numpy1.23.5 opencv-python4.7.0.72 scipy1.10.1 easydict1.102.3 预训练模型准备下载官方权重文件YOLOv8s.pt约22MBmars-small128.pbDeepSORT特征提取模型注意模型文件需放置在项目根目录的weights文件夹下3. 项目结构与代码解析3.1 核心文件功能说明文件功能描述objdetector.pyYOLOv8目标检测封装objtracker.pyDeepSORT跟踪逻辑实现count.py越线计数业务逻辑zone.py区域入侵检测功能3.2 计数功能实现原理计数模块通过向量叉积判断移动方向def is_passing_line(point, line_pt1, line_pt2): # 计算向量叉积 cross_product (line_pt2[0]-line_pt1[0])*(point[1]-line_pt1[1]) - \ (line_pt2[1]-line_pt1[1])*(point[0]-line_pt1[0]) return cross_product 03.3 多目标跟踪流程检测阶段YOLOv8生成bbox和置信度特征提取ReID网络获取外观特征数据关联匈牙利算法卡尔曼滤波轨迹管理处理新生/消失/遮挡目标4. 实战演示与问题排查4.1 视频分析完整流程运行计数demo的标准化步骤python count.py --input test.mp4 --output result.mp4 --line_coords 100,200,500,200参数说明--line_coords设置计数线起点和终点坐标--display实时显示处理画面4.2 常见错误解决方案CUDA out of memory减小检测尺寸--imgsz 640DLL load failed重装对应版本的VC_redist版本冲突使用pipdeptree检查依赖关系4.3 性能优化技巧启用TensorRT加速from torch2trt import torch2trt model_trt torch2trt(model, [input_data])调整检测频率每N帧执行一次完整检测使用多进程处理分离检测与跟踪线程5. 扩展应用与二次开发5.1 自定义检测类别修改yolov8配置文件的names字段# data.yaml names: 0: person 1: car 2: truck5.2 多摄像头接入方案通过RTSP协议实现网络视频流处理cap cv2.VideoCapture(rtsp://admin:password192.168.1.64/stream1)5.3 数据统计与可视化集成PrometheusGrafana实现监控看板from prometheus_client import Counter people_counter Counter(people_total, Total passed people)6. 项目部署与生产化建议6.1 容器化部署方案使用Docker封装运行环境FROM nvidia/cuda:11.7.1-base RUN pip install -r requirements.txt CMD [python, count.py]6.2 边缘设备优化针对Jetson设备的部署要点转换模型为ONNX格式使用TensorRT加速引擎调整帧率与分辨率平衡6.3 长期运行保障添加看门狗进程监控实现异常自动恢复机制日志分级与轮转配置在真实场景部署时建议先用10分钟短视频测试系统稳定性。我遇到过因内存泄漏导致24小时后服务崩溃的情况最终通过定期重启进程解决。对于关键业务场景可以考虑使用Kubernetes实现高可用部署。