YOLOv11（Ultralytics）视频选定区域目标统计计数及跟踪

在计算机视觉的众多应用场景中，对特定区域的目标进行检测、跟踪与计数是一个常见且重要的需求。无论是在智慧交通中统计通过特定路口的车辆数量，还是在零售分析中追踪进入特定区域的顾客行为，这一功能都发挥着不可或缺的作用。

随着深度学习技术的发展，目标检测算法不断迭代升级。YOLO（You Only Look Once）系列作为目标检测领域的翘楚，以其高效、实时的特性受到广泛关注和应用。YOLOv11（Ultralytics）在检测性能和易用性方面再一次取得了显著提升。本文将给出基础教程，读者可自选区域并读取视频进行测试，本教程同样Ultralytics / YOLOv11 / YOLOv8通用，视频及摄像头均可使用。

YOLOv11环境配置教程如下。目标检测：YOLOv11(Ultralytics)环境配置，适合0基础纯小白，超详细_yolov11环境配置-CSDN博客文章浏览阅读7.8k次，点赞42次，收藏153次。YOLO11是Ultralytics公司YOLO系列实时目标检测器的最新迭代版本，它以尖端的准确性、速度和效率重新定义了可能实现的性能。在之前YOLO版本取得的显著进步基础上，YOLO11在架构和训练方法上进行了重大改进，使其成为各种计算机视觉任务中的通用选择。除了传统的目标检测外，YOLO11 还支持目标跟踪、实例分割、姿态估计、OBB定向物体检测（旋转目标检测）等视觉任务。如果已经会配置YOLOv8的环境，本文不需要重复配置，下载最新的YOLOv11训练文件即可。_yolov11环境配置https://blog.csdn.net/qq_67105081/article/details/143270109?spm=1001.2014.3001.5502

主要使用ultralytics的solutions.ObjectCounter中count方法（不同版本函数名称不一样，但是YOLOv11往后都是count函数），具体代码如下，本文代码需搭配ultralytics8.3.20版本下载。

import cv2
from ultralytics import YOLO, solutionscap = cv2.VideoCapture("dog.mp4")
assert cap.isOpened(), "读取视频异常"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))region_points = [(20, 400), (700, 400), (700, 360), (20, 360)] video_writer = cv2.VideoWriter("output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))counter = solutions.ObjectCounter(model = "yolo11n.pt",region=region_points,show_in=True,show_out=True
)
while cap.isOpened():success, im0 = cap.read()if not success:print("视频处理完成")breakcv2.putText(im0, f"Total:{counter.in_count + counter.out_count}", (80, 80), cv2.FONT_HERSHEY_SIMPLEX, 1,(255, 0, 0), 2)im0 = counter.count(im0)video_writer.write(im0)cap.release()
video_writer.release()
cv2.destroyAllWindows()

使用时需要修改region_point为自选区域，可以多个点组合成多边形，也可以两个点连成一条直线，系统会自动识别。实测ultralytics8.2.0版本多边形效果最好，可以实现检测时修改自选框位置，需要代码可以下载，相应的函数也需要对应修改。

import cv2from ultralytics import YOLO, solutionsmodel = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("dog.mp4")
assert cap.isOpened(), "读取视频异常"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))region_points = [(20, 400), (700, 400), (700, 360), (20, 360)] video_writer = cv2.VideoWriter("output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))counter = solutions.ObjectCounter(view_img=True,reg_pts=region_points,names=model.names,draw_tracks=True,line_thickness=2,view_in_counts=True,view_out_counts=True,
)
while cap.isOpened():success, im0 = cap.read()if not success:print("视频处理完成")breaktracks = model.track(im0, persist=True, show=False)cv2.putText(im0, f"Total:{counter.in_counts + counter.out_counts}", (80, 80), cv2.FONT_HERSHEY_SIMPLEX, 1,(255, 0, 0), 2)im0 = counter.start_counting(im0, tracks)video_writer.write(im0)cap.release()
video_writer.release()
cv2.destroyAllWindows()

效果展示如下，目标经过自选框则计入in，离开自选框则计入out，总数在左侧显示，跟踪轨迹显示为线条（默认YOLOv11n效果一般，自训练模型效果较好）。