yolo-streamlit-detection-tracking

上传视频或接摄像头，网页里实时看目标检测与跟踪效果

开源 🏷️完全免费 🚫 站点已失效计算机视觉 🍴 复刻 171 🐛 待处理 7 👀 关注 4

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 432

维护状态较活跃

是否开源开源

定价模式 🏷️完全免费支持限时试用 · Streamlit 在线应用，免费使用

项目预览

yolo-streamlit-detection-tracking 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类计算机视觉

开发团队aparsoft

官网地址https://aparsoft.com

GitHubhttps://github.com/aparsoft/yolo-streamlit-detection-tracking

定价模式🏷️完全免费

价格说明Streamlit 在线应用，免费使用

访问状态🚫 站点已失效

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型bytetrack,computer-vision,instance-segmentation,machine-learning,object-detection,object-tracker,people-counting,pose-estimation,rt-detr,streamlit,streamlit-application,tracking-algorithm,tracking-by-detection,ultralytics,yolo,yolo-world,yolo26,yoloe

GitHub 星标★ 432

上线时间2023-03-18 00:00:00

代码更新2026-10-13

仓库体积125.0 MB

本站数据更新2026-11-04

维护状态较活跃

收录时间2026-09-13

浏览次数2

项目介绍

这是一个基于 YOLO 与 Streamlit 的实时目标检测与跟踪演示项目，面向需要快速验证视频流分析能力的开发者。它把目标检测（YOLO 系列模型）和目标跟踪（如 ByteTrack、BoT-SORT 等 tracking-by-detection 算法）组合成完整流水线，支持对实时视频流和静态图片进行处理。用户通过浏览器即可上传图片、视频或接入摄像头，在网页上直接查看检测框、类别标签与跟踪 ID，无需自己搭建前端。项目用 Python 编写，依赖 Streamlit 提供交互界面，降低了计算机视觉 demo 的门槛，适合教学、原型验证和算法对比。核心能力包括多目标检测、跨帧 ID 关联、实时流处理与可视化参数调节，能帮助使用者快速理解检测与跟踪的衔接方式，并作为二次开发起点。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-09-13 · 当前星标 ★ 432

技术标签

computer-vision instance-segmentation machine-learning object-detection pose-estimation

使用教程

难度：进阶约 35 分钟部署方式：本地GPU 5 步

环境要求

Python 3.10+
uv
（可选）NVIDIA GPU

安装与启动步骤

1拉仓库

模型、界面与示例素材都在同一个仓库里。

git clone https://github.com/aparsoft/yolo-streamlit-detection-tracking.git

2用 uv 装依赖

官方用 uv 管理，别用系统 pip 装，版本会打架。
```
uv sync
```
3起界面

跑起来会在 8501 端口开页面。
```
uv run streamlit run app.py
```
4拉示例视频再试自己的

仓库自带一小段示例，其余素材要单独下。
```
uv run python scripts/get_sample_videos.py
```
5换成自己的模型

界面里选模型族，检测、分割、开放词表各用不同权重。