YOLO26测距实战:框选人物,直接算出离镜头几米(附代码)
1.引言
做过园区安防、机器人避障、门店客流统计的朋友,八成遇到过同一个追问:
摄像头把人框出来了,然后呢?这个人离我到底多远?
检测回答的是"有没有人、人在画面哪个位置",吐出来的是像素坐标;可业务要的是米。机器人得知道还有多远开始减速,安防得判断人有没有踏进危险区,零售想知道顾客停在哪排货架前。
好在 2026 年搭这条链路比过去省事得多。Ultralytics 今年放出的 YOLO26,有三处改动跟这件事直接挂钩:
- 端到端推理成了默认,NMS 直接省掉。one-to-one 检测头一次性输出结果(上限 300 个框),部署时不必再琢磨 NMS 阈值,少了一处最容易出岔子的环节。
- CPU 上提速可观。官方数据:yolo26n 在 CPU ONNX 上比 YOLO11n 最高快 43%,参数量只有 2.45M、5.4 GFLOPs——没有 GPU 的边缘设备同样跑得动。
- 单目深度估计成了原生任务。yolo26n-depth.pt可以从单张图直接预测逐像素深度,官方对标 Depth Anything V2,最小型号快 7.7 倍。
先扫一眼官方性能表(COCO val,T4 TensorRT):
|
模型 |
mAP (50-95) |
T4 延迟 |
参数量 |
FLOPs |
|---|---|---|---|---|
|
yolo26n |
40.9 |
1.7 ms |
2.4M |
5.4G |
|
yolo26s |
48.6 |
2.5 ms |
9.5M |
20.7G |
|
yolo26m |
53.1 |
4.7 ms |
20.4M |
68.2G |
|
yolo26l |
55.0 |
6.2 ms |
24.8M |
86.4G |
|
yolo26x |
57.5 |
11.8 ms |
55.7M |
193.9G |
不过先泼一盆冷水,绕开那个踩坑率最高的点:Ultralytics 官方 solutions 里有个 DistanceCalculation 示例,它算的是两个检测框中心之间的像素距离,官方文档自己就注明了"基于 2D 数据、缺少深度信息"。把它当真实距离用,是新手最容易翻的车。本文要做的,是带物理单位、真能报出米的测距。
2.视差凭什么能变成距离
人眼之所以能判断远近,是因为两只眼睛看到的画面存在细微差异,大脑拿这个差异反推距离。双目摄像头就是把这套机制做成硬件。
两台相机水平并排,间距 B,也就是基线。同一个空间点,落在左图的第 xL 列、右图的第 xR 列,两者之差就是视差:d = xL − xR。
把图像矫正到"同一空间点在左右图中落在同一行"之后,匹配只需要在水平方向做一维搜索,几何关系收拢成一个非常干净的三角形:
Z = f × B / d
|
符号 |
含义 |
单位 |
说明 |
|---|---|---|---|
|
Z |
目标到相机的距离 |
米 |
我们要求的量 |
|
f |
焦距 |
像素 |
标定得到,如 800 px |
|
B |
基线,两相机间距 |
米 |
如 0.12 m |
|
d |
视差 |
像素 |
左图列号减右图列号 |

图:同一空间点在左右图的列号差就是视差,代入 Z = f×B/d 直接出米
这条式子能读出两条很实用的直觉结论,做方案选型时特别管用:
越近的东西视差越大。3 米外的人视差可能有几十个像素,30 米外往往只剩一两个像素——所以远距离测距天然更难。
基线决定量程上限。想测得远,基线就得拉长。手机双摄基线只有几厘米,有效测距通常两三米;工业双目基线 12~20 厘米,量程能到二三十米;车载方案基线更长,看的是百米级。
3. 完整链路:从一帧画面到"距离 2.3 米"
整条链路五步,每一步都有成熟工具,没有需要自己造轮子的地方:
- 标定:棋盘格拍一组照片,算出左右相机内参、畸变和相对位姿;
- 矫正:把左右图"掰正",让同名点落在同一行,视差才有意义;
- 检测:YOLO26 跑在矫正后的左图上,只留 person 类;
- 视差图:StereoSGBM 生成全图视差;
- 框内读数:在人体框内部取视差中值,代入 Z = fB/d。

图:五步链路——标定、矫正、检测、视差、框内读数,每一步都有现成工具
下面逐步拆代码,最后拼成一个可直接运行的脚本。
1 标定与矫正(一次性工作)
用 9×6 棋盘格,左右相机同步拍 20~30 张不同角度的照片,然后:
import cv2
import glob
import numpy as np
# 棋盘格角点数(内角点,不是方格数)
pattern = (9, 6)
square = 0.025# 棋盘格方格边长,单位米,务必量准
objp = np.zeros((pattern[0] * pattern[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:pattern[0], 0:pattern[1]].T.reshape(-1, 2) * square
obj_pts, l_pts, r_pts = [], [], []
for i, name inenumerate(sorted(glob.glob("calib/*.png"))):
img = cv2.imread(name)
# 实际工程中这里是左右拼接图,按宽度切开
left, right = img[:, :img.shape[1] // 2], img[:, img.shape[1] // 2:]
gl, cl = cv2.findChessboardCorners(left, pattern)
gr, cr = cv2.findChessboardCorners(right, pattern)
if gl and gr:
obj_pts.append(objp)
l_pts.append(cl); r_pts.append(cr)
# 立体标定:得到内参、畸变、旋转 R、平移 T
ret, K1, d1, K2, d2, R, T, E, F = cv2.stereoCalibrate(
obj_pts, l_pts, r_pts, K1, d1, K2, d2, left.shape[::-1])
# 立体矫正映射表,后续每帧用 remap 即可
R1, R2, P1, P2, Q, roi1, roi2 = cv2.stereoRectify(
K1, d1, K2, d2, left.shape[::-1], R, T, alpha=0)
mapL = cv2.initUndistortRectifyMap(K1, d1, R1, P1, left.shape[::-1], cv2.CV_16SC2)
mapR = cv2.initUndistortRectifyMap(K2, d2, R2, P2, right.shape[::-1], cv2.CV_16SC2)
np.savez("rectify_maps.npz", mapL=mapL, mapR=mapR, P1=P1)
2 检测 + 视差 + 读数(每帧都跑)
from ultralytics import YOLO
import cv2
import numpy as np
model = YOLO("yolo26n.pt") # 首次运行自动下载权重
data = np.load("rectify_maps.npz")
mapL, mapR = data["mapL"], data["mapR"]
f = data["P1"][0, 0] # 矫正后焦距(像素)
B = 0.12# 基线,单位米,按你的硬件填
# SGBM 视差:numDisparities 必须是 16 的倍数,决定量程下限
sgbm = cv2.StereoSGBM_create(minDisparity=0, numDisparities=128,
blockSize=5, P1=8*3*25, P2=32*3*25,
speckleWindowSize=100, speckleRange=2)
left = cv2.remap(raw_left, mapL, None, cv2.INTER_LINEAR)
right = cv2.remap(raw_right, mapR, None, cv2.INTER_LINEAR)
# YOLO26 端到端推理,只保留 person(COCO 第 0 类)
boxes = model(left, classes=[0], verbose=False)[0].boxes
disp = sgbm.compute(left, right).astype(np.float32) / 16.0# 注意 /16
for b in boxes:
x1, y1, x2, y2 = map(int, b.xyxy[0])
# 取框中央 60% 区域的视差中值:中值抗背景污染,均值会翻车
roi = disp[int(y1 + (y2 - y1) * 0.2):int(y2 - (y2 - y1) * 0.2),
int(x1 + (x2 - x1) * 0.2):int(x2 - (x2 - x1) * 0.2)]
valid = roi[roi > 0]
iflen(valid) == 0:
continue
d = np.median(valid)
z = f * B / d # 核心公式,一步到米
cv2.putText(left, f"person {z:.1f}m", (x1, y1 - 8),
cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2)
写这篇稿子时我在本机实打实跑了一遍:ultralytics 8.4.135,yolo26n 在 CPU 上对官方示例图 bus.jpg 端到端输出 4 个人体框,置信度 0.91、0.91、0.87、0.53,全程没有碰过 NMS 阈值;同一张图送进 yolo26n-depth,输出的深度场范围 2.2~17.8,人物区域明显比背景更近。检测和深度都是现成的,剩下的就是几何那点粘合的活。

图:本机实测,YOLO26n 在官方示例图上检出 4 个人体框,端到端输出免 NMS
几个关键细节单独拎出来强调:
sgbm.compute 的输出是 Q12.4 定点数,必须除以 16 才是真实视差,漏掉这一步距离会差一个数量级。
框内采样用中值而不是均值。人体框里混着衣服边缘、缝隙和身后的墙面,均值会被背景带偏;再取中央 60% 区域,进一步挡掉边缘噪声。

图:只取中央 60% 区域、用中值——框里混进的墙面、缝隙不会把距离拉偏
numDisparities 越大,能看到的"最近距离"越近,但计算量线性上升;128 对大多数场景够用。
检测跑在矫正后的左图上。YOLO 对轻度畸变不敏感,但矫正之后的框和视差图天然对齐,省掉坐标换算的麻烦。
4.只有一台普通相机怎么办
很多项目现场就是只有一台监控相机,双目方案根本没法上。两条路,各有各的边界,实话实说:
路线 A:身高先验法。
成年人身高大致在 1.6~1.8 米之间,把它当"已知尺子"。人越远,框越矮:
# Z = 焦距(px) × 真实身高(m) / 检测框高(px)
H_real = 1.70# 目标人群平均身高,可按场景调
z = f_px * H_real / (y2 - y1)
优点是不需要深度模型、任何相机都能跑;缺点是误差坦白讲在 ±10%~30%:人戴帽子、蹲下、侧身、穿长裙都会改变框高,相机俯仰角大时还要做地面投影修正。用它做"大致远近分级、靠近告警"完全够,做精确计量不行。
路线 B:YOLO26-depth 单目深度。
YOLO26 原生带深度估计任务,yolo26n-depth.pt 输入 768×768,官方在 T4 TensorRT 上跑到 2.7ms 一帧(约 365 FPS),比 Depth Anything V2 Small 快 7.7 倍,且精度指标(NYU delta1 0.882~0.933,视规模)不差。用法和检测一样简单:
from ultralytics import YOLO
depth_model = YOLO("yolo26n-depth.pt")
depth_map = depth_model("frame.jpg")[0].depth # 逐像素深度图
# 在人体框内取中值,即为该人的深度估计

图:本机实测深度输出,越亮越近、越深越远;相对深度直接可用,要米先做尺度标定
但有一个必须知道的前提:官方的 log-depth 头输出的是相对深度场,绝对尺度(真实的"米")需要通过轻量标定或微调恢复。做"谁比谁近、靠近趋势告警"这类相对判断没问题,要报出精确米数,请先做尺度标定。
两条单目路线和双目放一起看:
|
路线 |
精度 |
量程 |
硬件要求 |
一句话评价 |
|---|---|---|---|---|
|
双目视差 |
高,厘米级 |
基线决定,可达数十米 |
双目相机/一体机 |
要准就上双目 |
|
身高先验 |
±10%~30% |
看分辨率 |
任意单相机 |
便宜的分段告警 |
|
YOLO26-depth |
相对深度准,绝对需标定 |
0.02~150m(模型上界) |
任意单相机 |
单目场景的新默认选项 |
4.参考资料
-
Ultralytics YOLO26 官方文档:https://docs.ultralytics.com/models/yolo26/
-
YOLO26 单目深度估计任务:https://docs.ultralytics.com/tasks/depth/
-
Loitor 双目 + YOLO 开源项目:https://github.com/aminetouiouel/Object-Detection-and-Depth-Estimation-using-Stereo-Vision-and-YOLO
-
DepthAI YoloSpatialDetectionNetwork(OAK-D):https://docs.luxonis.com/software/v2/python/components/yolo-spatial-detection-network
-
ESB-AI-Lab/OakD_YOLO(Jetson 部署):https://github.com/ESB-AI-Lab/OakD_YOLO
-
LearnOpenCV 双目深度教程:https://learnopencv.com/depth-perception-using-stereo-camera-python-c/
联系我们

DAMO开发者矩阵,由阿里巴巴达摩院和中国互联网协会联合发起,致力于探讨最前沿的技术趋势与应用成果,搭建高质量的交流与分享平台,推动技术创新与产业应用链接,围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐


所有评论(0)