使用 Ultralytics 的 YOLO 模型對視頻進行逐幀目標檢測非常簡單，以下是完整的實現方法：
我們的輸入視頻是這樣的

這里是天津市和平區天津大學附近，感興趣的小伙伴來天津玩哈！！

---

1. 安裝依賴

確保已安裝最新版 ultralytics 和 opencv-python：

pip install ultralytics opencv-python

---

2. 基礎代碼實現

以下代碼將讀取輸入視頻，逐幀檢測并保存結果視頻：

from ultralytics import YOLO
import cv2# 加載YOLO模型（可選模型：yolov8n.pt, yolov8s.pt, yolov8m.pt等）
model = YOLO('yolov8m.pt')  # 會自動下載預訓練模型# 輸入輸出視頻路徑
input_video = 'input1.mp4'
output_video = 'output1.mp4'# 打開視頻文件
cap = cv2.VideoCapture(input_video)# 獲取視頻屬性（用于設置輸出視頻）
fps = int(cap.get(cv2.CAP_PROP_FPS))
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))# 創建VideoWriter對象
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
out = cv2.VideoWriter(output_video, fourcc, fps, (width, height))# 逐幀處理
while cap.isOpened():ret, frame = cap.read()if not ret:break# 使用YOLO檢測當前幀results = model(frame)# 在幀上繪制檢測結果annotated_frame = results[0].plot()  # 自動繪制邊界框和標簽# 寫入輸出視頻out.write(annotated_frame)# 釋放資源
cap.release()
out.release()
print(f"處理完成！結果已保存到 {output_video}")

---

3. 關鍵功能擴展

(1) 只檢測特定類別

results = model(frame, classes=[0, 14])  # 只檢測人(class 0)和鳥(class 14)

(2) 調整置信度閾值

results = model(frame, conf=0.5)  # 只顯示置信度≥50%的檢測

(3) 保存檢測數據（JSON/CSV）

for result in results:boxes = result.boxes  # 邊界框信息for box in boxes:class_id = box.cls  # 類別IDconf = box.conf    # 置信度xyxy = box.xyxy    # 框坐標[x1,y1,x2,y2]print(f"Class: {class_id}, Confidence: {conf}, Box: {xyxy}")

(4) 處理攝像頭實時流

cap = cv2.VideoCapture(0)  # 0表示默認攝像頭

---

4. 性能優化技巧

(1) 使用GPU加速

model = YOLO('yolov8n.pt').to('cuda')  # 如果有NVIDIA GPU

(2) 跳幀處理（提升速度）

frame_count = 0
while cap.isOpened():ret, frame = cap.read()frame_count += 1if frame_count % 3 != 0:  # 每3幀處理1次continue# 檢測代碼...

(3) 降低分辨率

small_frame = cv2.resize(frame, (640, 360))  # 縮小幀尺寸
results = model(small_frame)

---

5. 完整案例：車輛檢測并計數

from collections import defaultdictvehicle_classes = [2, 3, 5, 7]  # 汽車、摩托車、公交車、卡車
counter = defaultdict(int)while cap.isOpened():ret, frame = cap.read()results = model(frame, classes=vehicle_classes)for result in results:for box in result.boxes:class_id = int(box.cls)class_name = model.names[class_id]counter[class_name] += 1# 在幀上顯示計數for i, (name, count) in enumerate(counter.items()):cv2.putText(frame, f"{name}: {count}", (10, 30*(i+1)), cv2.FONT_HERSHEY_SIMPLEX, 1, (0,255,0), 2)out.write(frame)

---

6. 常見問題解決

Q1: 視頻輸出無法播放

• 確保安裝了正確的視頻編碼器（如fourcc = cv2.VideoWriter_fourcc(*'avc1')）
• 嘗試輸出為.avi格式

Q2: 檢測速度慢

• 換用更小的模型（如yolov8n.pt→yolov8n-seg.pt）
• 啟用半精度推理：

  model = YOLO('yolov8n.pt', half=True)  # FP16加速
  

Q3: 如何檢測自定義對象？

1. 準備標注好的數據集（YOLO格式）
2. 訓練自定義模型：

   model.train(data='custom.yaml', epochs=100)
   

檢測結果如下

---

YOLOv8 提供的不同模型（如 yolov8n.pt、yolov8s.pt、yolov8m.pt）主要在 模型大小、計算量 和 檢測精度 之間進行權衡。以下是它們的詳細區別和適用場景：

---

核心區別對比

模型代號	全稱	參數量 (Parameters)	計算量 (FLOPs)	推理速度 (FPS) ?	精度 (mAP50-95) 🎯	適用場景
n	Nano	~3.2M	~8.7G	最高	較低	移動端/嵌入式設備、實時性要求高的場景
s	Small	~11.4M	~28.6G	高	中等	平衡速度和精度（最常用）
m	Medium	~26.3M	~78.9G	中等	較高	對精度有要求的中等算力設備
l	Large	~43.7M	~165.2G	較低	高	服務器/高性能GPU環境
x	XLarge	~68.2M	~257.8G	最低	最高	學術研究或極端精度需求

---

性能直觀對比

(1) 精度（mAP50-95）

yolov8n < yolov8s < yolov8m < yolov8l < yolov8x

• 示例：在COCO數據集上，yolov8x 比 yolov8n 的 mAP 高約 15-20%，但速度慢 5-10 倍。

(2) 推理速度（FPS）

yolov8n > yolov8s > yolov8m > yolov8l > yolov8x

• 實測數據（RTX 3090, 640x640輸入）：
  • yolov8n: 300+ FPS
  • yolov8s: 150-200 FPS
  • yolov8x: 50-80 FPS

---

如何選擇模型？

選擇依據：

1. 硬件能力：

   • 手機/樹莓派 → 選 n 或 s
   • 中等GPU（如GTX 1660） → 選 s 或 m
   • 高端GPU（如RTX 4090） → 選 l 或 x

2. 應用場景：

   • 實時視頻檢測（如攝像頭監控） → n/s
   • 高精度需求（如醫學圖像分析） → m/l
   • 學術論文對比實驗 → x

3. 延遲 vs 精度：

   • 如果允許 100ms 延遲：m 是理想選擇
   • 要求 <30ms 延遲：必須用 n 或 s

---

模型文件大小對比

模型	文件大小（.pt格式）	備注
yolov8n	~6MB	適合資源嚴格受限的環境
yolov8s	~22MB	通用場景的性價比之選
yolov8m	~50MB	需要更高精度的移動端部署
yolov8l	~87MB	服務器端應用
yolov8x	~134MB	極少用于生產環境

---

實際效果示例

場景：行人檢測（COCO數據集）

模型	檢測到的人數	誤檢數	漏檢數
yolov8n	85	5	10
yolov8s	92	3	3
yolov8m	94	2	1

---

進階建議

• 量化壓縮：對 n/s 模型使用 TensorRT 或 ONNX 量化，可進一步提升速度。
• 自定義訓練：小模型（如 n）在數據量少時容易欠擬合，建議至少 10,000+ 標注數據再用 m/l。
• 任務類型：同一模型有不同任務版本（如 yolov8n-seg.pt 用于分割，比檢測版略慢）。

---

總結

• yolov8n.pt：極致輕量，適合邊緣設備。
• yolov8s.pt：最佳平衡，推薦大多數項目首選。
• yolov8m.pt：需要精度但算力有限的場景。
• yolov8l/x.pt：除非有極端精度需求，否則謹慎選擇。

根據你的硬件和需求，從 s 或 m 開始實驗通常是最穩妥的選擇！ 🚀