一、相关环境搭建
Anacode+YOLO识别图片-CSDN博客
二、物体追踪实现
通过导入相关的检测模型后，就可以实现物体追踪与识别。
import cv2
import numpy as np
import pyrealsense2 as rs
from ultralytics import YOLO # 将YOLOv8导入到该py文件中# 加载官方或自定义模型
model = YOLO(r"E:\Deep learning\YOLOv8\yolov8n.pt") # 加载一个官方的检测模型
model = YOLO(r"E:\Deep learning\YOLOv8\yolov8s.pt") # 加载一个官方的检测模型
# model = YOLO(r"E:\Deep learning\YOLOv8\yolov8n-seg.pt") # 加载一个官方的分割模型
# model = YOLO(r"E:\Deep learning\YOLOv8\yolov8n-pose.pt") # 加载一个官方的姿态模型# 深度相机配置
pipeline = rs.pipeline() # 定义流程pipeline，创建一个管道
config = rs.config() # 定义配置config
config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30) # 初始化摄像头深度流
config.enable_stream(rs.stream.color, 640, 480, rs.format.bgr8, 30)
pipe_profile = pipeline.start(config) # 启用管段流
align = rs.align(rs.stream.color) # 这个函数用于将深度图像与彩色图像对齐def get_aligned_images(): # 定义一个获取图像帧的函数，返回深度和彩色数组frames = pipeline.wait_for_frames() # 等待获取图像帧depth_frame = frames.get_depth_frame() # 获取深度帧color_frame = frames.get_color_frame() # 获取对齐帧中的的color帧depth_image = np.asanyarray(depth_frame.get_data()) # 将深度帧转换为NumPy数组color_image = np.asanyarray(color_frame.get_data()) # 将彩色帧转化为numpy数组return depth_image, color_imageif __name__ == '__main__':try:while True:img_depth, img_color = get_aligned_images() # 获取深度帧和彩色帧# cv2.applyColorMap（）将深度图像转化为彩色图像，以便更好的可视化分析depth_colormap = cv2.applyColorMap(cv2.convertScaleAbs(img_depth, alpha=0.07), cv2.COLORMAP_JET)source = [img_color]# 轨迹追踪，persist=true表示数据储存results = model.track(source, persist=True)img_color = results[0].plot() # 在图像上添加色彩帧（追踪结果）# 将图像color_impage和depth_colormap水平堆叠# images = np.hstack((img_color, depth_colormap))# 设置窗口，窗口大小根据图像自动调整cv2.namedWindow('RealSense', cv2.WINDOW_AUTOSIZE)# 将图像images显示在窗口中，这个显示的是带有追踪结果的图像cv2.imshow('RealSense', img_color)key = cv2.waitKey(1) # 等待用户输入# Press esc or 'q' to close the image windowif key & 0xFF == ord('q') or key == 27:cv2.destroyAllWindows()pipeline.stop()breakfinally:# Stop streamingpipeline.stop()相关识别效果如下视频：
这里当人或者物体移动的时候，相应的识别框和标识也会跟着动。此外，如果采用了-Pose还可以识别人的姿态。
D435i相机+VScode+YOLOv8视频识别追踪