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YOLOv8+DeepSORT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：
- GPU：NVIDIA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
- Anaconda：Python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 python=3.9 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 torch==1.13.1+cu117 torchvision==0.14.1+cu117 --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 numpy==1.23.5 opencv-python==4.7.0.72 scipy==1.10.1 easydict==1.102.3 预训练模型准备
下载官方权重文件：
- YOLOv8s.pt（约22MB）
- mars-small128.pb（DeepSORT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.py | YOLOv8目标检测封装 |
| objtracker.py | DeepSORT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 640 - DLL 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:password@192.168.1.64/stream1")5.3 数据统计与可视化
集成Prometheus+Grafana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。