YOLO26最新创新改进系列：YOLO26+自动计数+自动统计各个类别数量！弯道超车，丰富文章工作量！！

YOLO26最新创新改进系列：YOLO26+自动计数+自动统计各个类别数量！弯道超车，丰富文章工作量！！

购买相关资料后畅享一对一答疑！

畅享超多免费持续更新且可大幅度提升文章档次的纯干货工具！

基于YOLO26的目标检测与计数系统：原理、方法与实现（写文必备）

1 概述

目标计数是计算机视觉中的一项基础任务，广泛应用于交通流量统计、人群密度分析、工业产品计数等领域。本系统基于ultralytics库中的YOLO（You Only Look Once）模型，实现对静态图像（单张或文件夹）和视频流中目标的自动检测与计数。系统支持目标类别筛选、置信度阈值调整、跟踪去重（视频场景），并能将统计结果导出为CSV文件，同时可选保存标注后的图像或视频。本章将详细介绍该系统的原理、算法流程、关键参数及输出格式，并通过表格和公式进行说明。

2 核心原理

2.1 YOLO目标检测

YOLO是一种端到端的实时目标检测算法，它将目标检测任务视为回归问题，直接从图像像素映射到边界框坐标和类别概率。ultralytics实现的YOLOv8/v9/v10/11/13/26等版本具有以下特点：

• 骨干网络：采用CSPDarknet结构提取特征。
• 特征金字塔：通过PANet或BiFPN融合多尺度特征，提升小目标检测能力。
• 解耦头：分类和回归任务使用不同的分支，加速收敛。
• 损失函数：结合CIoU Loss和分类交叉熵损失。

本系统调用YOLO(weights)加载预训练或自定义权重，然后通过model(img, conf=conf_thres, classes=classes, device=device)执行推理，返回包含边界框、类别、置信度的Results对象。

2.2 目标跟踪（视频场景）

在视频处理中，为避免同一目标被重复计数，系统采用跟踪算法为每个目标分配唯一的ID。model.track()方法集成了以下跟踪机制：

• 跟踪器：默认使用BoT-SORT或ByteTrack，结合卡尔曼滤波预测目标位置，并通过匈牙利算法匹配检测框与轨迹。
• ID分配：首次出现的目标分配新ID，后续帧中若匹配成功则沿用原ID。
• 持久化：参数persist=True确保轨迹在帧间持续存在，即使目标短暂消失也能保持ID。

通过跟踪ID，系统可统计整个视频中出现的独立目标总数（即不重复计数）。

2.3 计数统计方法

图像文件夹或单张图像

对于静态图像，计数基于单帧检测结果。设图像( i )中检测到的目标集合为( D_i )，则：

• 该图像的目标数：( N_i = |D_i| )
• 所有图像的总目标数：( N_{\text{total}} = \sum_i N_i )
• 各类别目标数：( N_c = \sum_i |{d \in D_i : \text{class}(d) = c}| )

视频流

对于视频，系统同时输出帧级计数和累计独立计数。设第( t )帧检测到的目标集合为( D_t )，每个目标有唯一的跟踪ID ( id )，则：

• 帧级目标数：( N_t = |D_t| )
• 累计独立目标数（截至第( t )帧）：( U_t = |\bigcup_{k=1}^{t} {id(d) : d \in D_k}| )
• 累计各类别独立目标数：( U_{c,t} = |{id(d) : d \in \bigcup_{k=1}^{t} D_k, \text{class}(d) = c}| )

最终视频结束后，累计独立目标数即为整个视频中出现的不同目标总数。

3 函数定义与参数说明

系统核心函数为count_objects，其完整定义如下：

defcount_objects(weights,source,conf_thres=0.25,classes=None,device='cpu',save=False,view=False,csv_path=None):

各参数含义见表3-1。

表3-1 函数参数说明

4 工作流程

系统根据输入源类型执行不同的处理流程，如图4-1所示（流程描述）。

4.1 输入源为图像文件夹

1. 初始化：加载模型，获取类别名称列表class_names。准备CSV文件（若指定），写入表头：[文件名, 类别1, 类别2, ..., 总计]。
2. 遍历图像：对文件夹中所有.jpg/.png/.jpeg文件：
   • 调用模型进行检测，得到results。
   • 提取边界框boxes，若存在则统计每个类别的出现次数。
   • 生成CSV行：[图像名, 各类别计数..., 该图像总目标数]，写入文件。
   • 更新各类别总计数和总目标数。
   • 若save=True，保存标注图像到runs/count/。
   • 若view=True，显示标注图像。
3. 汇总：在所有图像处理完毕后，写入汇总行：["总计", 各类别总计数..., 总目标数]。打印统计信息。

4.2 输入源为视频文件

1. 初始化：打开视频，获取帧率、宽度、高度。准备视频写入器（若save=True）。准备CSV文件，写入复杂表头，包含帧级计数和累计计数。
2. 逐帧处理：循环读取每一帧：
   • 调用model.track()进行检测与跟踪，参数persist=True保持ID连续性。
   • 提取边界框boxes和跟踪IDboxes.id。若无跟踪ID则仅统计帧级目标数。
   • 统计当前帧各目标类别出现次数，存入frame_class_counts。
   • 利用集合cumulative_ids_by_class记录每个类别已出现的所有跟踪ID。
   • 生成CSV行：[帧号, 帧各类别计数..., 帧总计, 累计各类别计数..., 累计总计]，写入文件。
   • 若save=True，将标注帧写入输出视频；若view=True，实时显示。
3. 结束：释放视频资源，关闭窗口。在CSV末尾写入最终累计行（可选）。打印累计独立目标总数。

4.3 输入源为单张图像

流程与图像文件夹类似，但只处理单张图像，无汇总行。若指定CSV，仍会生成包含表头和一行的文件。

5 关键数据结构与算法

5.1 数据结构

系统使用以下数据结构存储计数信息：

• defaultdict(int)：用于统计类别出现次数，键为类别ID，值为计数。
• defaultdict(set)（视频场景）：用于存储每个类别已出现的独立跟踪ID集合，实现去重。

5.2 计数算法伪代码

图像文件夹计数算法

初始化 total_class_counts = defaultdict(int) 初始化 total_objects = 0 初始化 total_images = 0 对每个图像文件： results = model(image) boxes = results[0].boxes if boxes 存在: 统计 class_counts total_objects += len(boxes) 对每个类别 c: total_class_counts[c] += class_counts[c] 输出图像计数 total_images += 1 输出总计：total_images, total_objects, total_class_counts

视频独立目标计数算法

初始化 cumulative_ids = defaultdict(set) 对每一帧 frame: results = model.track(frame, persist=True) boxes = results[0].boxes if boxes 存在且 boxes.id 存在: 获取 cls_ids 和 track_ids 对每个 (cid, tid): cumulative_ids[cid].add(tid) 统计 frame_class_counts 帧总计 = len(boxes) 累计总计 = sum(len(cumulative_ids[c]) for c in 所有类别) 输出帧号和累计信息 最终累计总计即为独立目标总数

6 输出格式与示例

6.1 图像文件夹输出的CSV格式

表头：文件名, 类别A, 类别B, ..., 总计

示例（假设模型类别为：0-person, 1-car）：

6.2 视频输出的CSV格式

表头：帧号, 帧_person, 帧_car, ..., 帧_总计, 累计_person, 累计_car, ..., 累计_总计

示例：

注：累计列统计的是从视频开始到当前帧出现的独立目标总数（按ID去重）。

7 使用示例

以下代码演示如何调用count_objects函数：

if__name__=="__main__":weights_path="yolov8n.pt"# 模型权重data_source="path/to/images_or_video"# 输入源conf=0.25# 置信度阈值classes_to_count=[0,2]# 只计数类别0和2device='cuda'iftorch.cuda.is_available()else'cpu'save_results=True# 保存标注结果show_window=False# 不显示窗口csv_output="count_results.csv"# CSV输出路径count_objects(weights=weights_path,source=data_source,conf_thres=conf,classes=classes_to_count,device=device,save=save_results,view=show_window,csv_path=csv_output)

8 注意事项

• 模型权重：确保权重文件存在且与ultralytics版本兼容。
• 设备选择：若GPU可用且已安装CUDA版PyTorch，建议使用device='cuda'加速推理。
• 跟踪稳定性：视频计数依赖跟踪ID的稳定性，复杂场景（遮挡、快速运动）可能导致ID切换，影响累计计数的准确性。
• 内存管理：处理大量图像或长视频时，注意内存使用，及时释放资源（代码已自动处理）。
• 文件格式：图像支持.jpg,.png,.jpeg；视频支持常见格式如.mp4,.avi,.mov,.mkv。
• CSV编码：指定utf-8编码，避免中文路径或文件名乱码。

写在最后

学术因方向、个人实验和写作能力以及具体创新内容的不同而无法做到一通百通，关注我CSDN、B站及抖音：Ai学术叫叫兽
在所有B站资料中留下联系方式以便在科研之余为家人们答疑解惑，本up主获得过国奖，发表多篇SCI，擅长目标检测领域，拥有多项竞赛经历，拥有软件著作权，核心期刊等经历。
因为经历过所以更懂小白的痛苦！
因为经历过所以更具有指向性的指导！

祝所有科研工作者都能够在自己的领域上更上一层楼！

以下为给大家庭小伙伴们免费更新过的绘图代码，均配有详细教程，超小白也可一键操作! 后续更多提升文章档次的资料的更新请大家庭的小伙伴关注我B站及抖音：Ai学术叫叫兽！