yolov7-object-tracking

几行命令跑通 YOLOv7 检测加 SORT 跟踪，视频里目标自动带 ID

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署计算机视觉 🍴 复刻 175 🐛 待处理 7 👀 关注 11

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 653

维护状态维护中

是否开源开源

定价模式 🏷️完全免费开源免费，需自行部署

项目预览

yolov7-object-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RizwanMunawar

官网地址https://rizwanai.com

GitHubhttps://github.com/RizwanMunawar/yolov7-object-tracking

定价模式🏷️完全免费

价格说明开源免费，需自行部署

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议AGPL-3.0

主要语言Python

技术栈/模型computer-vision,deep-learning,object-detection,opencv-python,tracking-algorithm,ultralytics,ultralytics-yolo,yolov7,yolov8

GitHub 星标★ 653

上线时间2022-08-21 00:00:00

代码更新2026-09-11

仓库体积177 KB

本站数据更新2026-11-03

维护状态维护中

收录时间2026-09-13

浏览次数2

项目介绍

这是一个把 YOLOv7 目标检测与 SORT 跟踪算法结合起来的开源示例项目，使用 PyTorch 做模型推理、OpenCV 处理视频流与画面绘制。它解决的是「只想快速跑通检测+跟踪，不想自己拼装代码」的问题：输入一段视频或摄像头画面，模型逐帧检测出行人、车辆等目标，再由 SORT 根据检测框的位置和运动做帧间关联，给每个目标分配稳定 ID，从而输出带轨迹的跟踪视频。核心能力包括：加载 YOLOv7 权重进行实时检测、SORT 卡尔曼滤波加匈牙利匹配实现多目标跟踪、可调置信度与 IOU 阈值、支持保存结果视频，代码结构简单，适合作为二次开发或教学演示的起点。

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 ★ 653

技术标签

computer-vision deep-learning object-detection ultralytics yolov8

使用教程

难度：进阶约 40 分钟部署方式：本地GPU 5 步

环境要求

GPU 8G 显存（CPU 可跑但慢）
Python 3.12
yolov7.pt 权重

安装与启动步骤

1拉代码建环境

官方给 conda 和 venv 两种，选一种即可，Python 3.12 是新版要求。
```
git clone https://github.com/RizwanMunawar/yolov7-object-tracking.git
```
2装依赖

requirements 里含跟踪器与检测器两套依赖，装完再下权重。
```
pip install -r requirements.txt
```
3先只跑检测

detect.py 不带跟踪，用它确认权重和输入源都对。
```
python detect.py --weights yolov7.pt
```
4再加跟踪

detect_and_track.py 会输出带 ID 的轨迹，ID 稳定与否是核心指标。
```
python detect_and_track.py --weights yolov7.pt
```
5换摄像头或视频

source 支持文件、序号和流地址，先短片段验证再上实时。
```
python detect_and_track.py --weights yolov7.pt --source 0
```