博主介绍：✌全网粉丝50W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，选择我们，就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

1、2026年计算机专业毕业设计选题大全（建议收藏）✅

2、大数据、计算机专业选题（Python/Java/大数据/深度学习/机器学习）（建议收藏）✅

1、项目介绍

• 技术栈：Python语言、YOLO模型、SORT算法、PyQt5界面、目标检测、目标跟踪
• 这个项目的研究背景：当前多目标检测跟踪场景（如交通监控、公共安全）中，传统方案存在诸多痛点：检测精度与实时性难以兼顾，单一目标识别无法满足车辆、行人多场景需求；操作界面缺乏友好性，用户切换视频、图片或摄像头输入时流程繁琐；且模型适配性低，难以灵活选择不同版本YOLO模型，这些问题制约了多目标检测跟踪技术在实际场景中的高效应用。
• 这个项目的研究意义：技术层面，通过YOLO模型保障高精度目标检测，结合SORT算法提升多目标跟踪稳定性，依托PyQt5搭建便捷操作界面，解决传统方案的技术短板；用户层面，支持视频、图片、摄像头多源输入，可自由选择YOLO v3/v4等模型，还能自定义感兴趣跟踪目标，提升使用灵活性；行业层面，为交通、安防等领域提供高精度、高适配性的多目标检测跟踪工具，助力场景智能化升级，具备实际应用价值。

2、项目界面

（1）车辆识别检测跟踪

（2）车辆+行人识别检测跟踪

（3）车辆识别检测跟踪

（4）摄像头—识别检测跟踪

（5）行人识别检测跟踪

（6）系统界面

3、项目说明

本项目是基于Python语言开发的多目标检测跟踪系统，融合YOLO模型、SORT算法与PyQt5界面技术，核心实现车辆、行人等目标的实时检测、跟踪与计数功能，旨在解决传统多目标检测跟踪场景中精度不足、操作繁琐、适配性低的问题。项目以YOLO模型为核心检测工具，支持用户选择训练好的YOLO v3/v4等不同版本模型参数，保障车辆、行人等目标的高精度识别；同时结合SORT算法优化多目标跟踪效果，确保目标运动过程中跟踪的连续性与稳定性，避免因目标遮挡、运动速度变化导致的跟踪中断。在操作界面设计上，依托PyQt5搭建清新简约的系统UI，降低用户操作门槛：用户可在界面中灵活选择输入源，既支持导入本地视频、图片文件进行检测跟踪，也能调用电脑自带摄像头实现实时处理；还可根据需求自定义感兴趣的跟踪目标，系统会针对选定目标完成专属检测、跟踪与计数，进一步提升功能针对性。此外，系统兼顾检测精度与实时性，在保障目标识别准确性的同时，能快速响应多源输入的处理需求，适用于交通监控中车辆流量统计、公共区域行人安全管控等多种场景。整体而言，该系统通过技术整合实现了“高精度检测+稳定跟踪+便捷操作”的一体化功能，既满足用户多样化使用需求，也为相关行业提供可靠的多目标检测跟踪解决方案，具备较强的实用性与场景适配性。

4、核心代码

# -*- coding: utf-8 -*-
# 本程序用于调用摄像头进行车辆行人等多目标检测跟踪



import warnings
import os
import time
from collections import deque
import cv2
import numpy as np
from sort import Sort
warnings.filterwarnings('ignore')

if __name__ == '__main__':
    CAM_NUM = 0  # 摄像头序号
    if_save = 1  # 是否需要保存录制的视频，1表示保存
    filter_confidence = 0.5  # 用于筛除置信度过低的识别结果
    threshold_prob = 0.3  # 用于NMS去除重复的锚框
    model_path = "./yolo-obj"  # 模型文件的目录

    # 载入数据集标签
    labelsPath = os.path.sep.join([model_path, "coco.names"])
    LABELS = open(labelsPath).read().strip().split("\n")
    # 载入模型参数文件及配置文件
    weightsPath = os.path.sep.join([model_path, "yolov4-tiny.weights"])
    configPath = os.path.sep.join([model_path, "yolov4-tiny.cfg"])

    # 初始化用于标记框的颜色
    np.random.seed(42)
    COLORS = np.random.randint(0, 255, size=(200, 3), dtype="uint8")

    # 用于展示目标移动路径
    pts = [deque(maxlen=30) for _ in range(9999)]

    # 从配置和参数文件中载入模型
    print("[INFO] 正在载入模型...")
    net = cv2.dnn.readNetFromDarknet(configPath, weightsPath)
    ln = net.getLayerNames()
    ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()]

    # 初始化视频流
    vs = cv2.VideoCapture(CAM_NUM)
    (W, H) = (None, None)
    frameIndex = 0

    ret, frame = vs.read()
    vw = frame.shape[1]
    vh = frame.shape[0]
    print("[INFO] 视频尺寸：{} * {}".format(vw, vh))

    if if_save:
        fourcc = cv2.VideoWriter_fourcc(*'XVID')
        output_video = cv2.VideoWriter("./output/captured.avi", fourcc, 20.0, (vw, vh))  # 处理后的视频对象
    else:
        output_video = None

    tracker = Sort()  # 实例化追踪器对象

    # 遍历视频帧进行检测
    while True:
        # 逐帧读取画面
        (grabbed, frame) = vs.read()

        # 获取画面长宽
        if W is None or H is None:
            (H, W) = frame.shape[:2]

        # 将一帧画面读入网络
        blob = cv2.dnn.blobFromImage(frame, 1 / 255.0, (416, 416), swapRB=True, crop=False)
        net.setInput(blob)

        start = time.time()
        layerOutputs = net.forward(ln)
        end = time.time()

        boxes = []  # 用于检测框坐标
        confidences = []  # 用于存放置信度值
        classIDs = []  # 用于识别的类别序号

        # 逐层遍历网络获取输出
        for output in layerOutputs:
            # loop over each of the detections
            for detection in output:
                # extract the class ID and confidence (i.e., probability)
                # of the current object detection
                scores = detection[5:]
                classID = np.argmax(scores)
                confidence = scores[classID]

                # 过滤低置信度值的检测结果
                if confidence > filter_confidence:
                    box = detection[0:4] * np.array([W, H, W, H])
                    (centerX, centerY, width, height) = box.astype("int")

                    # 转换标记框
                    x = int(centerX - (width / 2))
                    y = int(centerY - (height / 2))

                    # 更新标记框、置信度值、类别列表
                    boxes.append([x, y, int(width), int(height)])
                    confidences.append(float(confidence))
                    classIDs.append(classID)

        # 使用NMS去除重复的标记框
        idxs = cv2.dnn.NMSBoxes(boxes, confidences, filter_confidence, threshold_prob)

        dets = []
        if len(idxs) > 0:
            # 遍历索引得到检测结果
            for i in idxs.flatten():
                (x, y) = (boxes[i][0], boxes[i][1])
                (w, h) = (boxes[i][2], boxes[i][3])
                dets.append([x, y, x + w, y + h, confidences[i], classIDs[i]])

        np.set_printoptions(formatter={'float': lambda x: "{0:0.3f}".format(x)})
        dets = np.asarray(dets)

        # 使用sort算法，开始进行追踪
        tracks = tracker.update(dets)

        boxes = []  # 存放追踪到的标记框
        indexIDs = []
        cls_IDs = []
        c = []

        for track in tracks:
            boxes.append([track[0], track[1], track[2], track[3]])
            indexIDs.append(int(track[4]))
            cls_IDs.append(int(track[5]))

        if len(boxes) > 0:
            i = int(0)
            for box in boxes:  # 遍历所有标记框
                (x, y) = (int(box[0]), int(box[1]))
                (w, h) = (int(box[2]), int(box[3]))

                # 在图像上标记目标框
                color = [int(c) for c in COLORS[indexIDs[i] % len(COLORS)]]
                cv2.rectangle(frame, (x, y), (w, h), color, 4)

                center = (int(((box[0]) + (box[2])) / 2), int(((box[1]) + (box[3])) / 2))
                pts[indexIDs[i]].append(center)
                thickness = 5
                # 显示某个对象标记框的中心
                cv2.circle(frame, center, 1, color, thickness)

                for j in range(1, len(pts[indexIDs[i]])):
                    if pts[indexIDs[i]][j - 1] is None or pts[indexIDs[i]][j] is None:
                        continue
                    thickness = int(np.sqrt(64 / float(j + 1)) * 2)
                    cv2.line(frame, (pts[indexIDs[i]][j - 1]), (pts[indexIDs[i]][j]), color, thickness)

                # 标记跟踪到的目标和数目
                text = "{}-{}".format(LABELS[int(cls_IDs[i])], indexIDs[i])
                cv2.putText(frame, text, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 1, color, 3)
                i += 1

        # 实时显示检测画面
        cv2.imshow('Stream', frame)
        if if_save:
            output_video.write(frame)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

        print("FPS:{}".format(int(0.6/(end-start))))
        frameIndex += 1

    print("[INFO] 运行结束...")
    if if_save:
        output_video.release()
    vs.release()
    exit()

🍅✌感兴趣的可以先收藏起来，点赞关注不迷路，想学习更多项目可以查看主页，大家在毕设选题，项目编程以及论文编写等相关问题都可以给我留言咨询，希望可以帮助同学们顺利毕业！🍅✌

5、源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，拉到文章底部即可看到个人联系方式。🍅

点赞、收藏、关注，不迷路，下方查看👇🏻获取联系方式👇🏻