今天是第七天我們要模擬特斯拉辨識系統，以下yolo v8的程式碼

此範例程式碼將展示如何使用 YOLOv8 進行即時的物體偵測，並結合追蹤算法來追蹤特定物體（如車輛或行人）的位置。

安裝必要的庫

pip install ultralytics opencv-python opencv-python-headless

YOLOv8 與追蹤算法

import cv2
from ultralytics import YOLO

# 初始化 YOLOv8 模型
model = YOLO('yolov8m.pt')  # 使用中等大小的模型，可以根據需求調整

# 啟用視訊捕捉（模擬車載攝影機）
cap = cv2.VideoCapture('road_video.mp4')  # 替換成你自己的路況影片檔案

# 創建一個物體追蹤器（這裡使用 OpenCV 提供的 KCF 追蹤器）
tracker = cv2.TrackerKCF_create()
initBB = None  # 追蹤器的初始邊界框

while True:
    ret, frame = cap.read()
    if not ret:
        break

    # YOLOv8 物體偵測
    results = model(frame)
    detections = results[0].boxes.xyxy  # 取得偵測結果的邊界框

    # 初始化追蹤器
    if initBB is None and len(detections) > 0:
        # 假設只追蹤第一個偵測到的物體（如第一輛車）
        initBB = tuple(detections[0].cpu().numpy())
        tracker.init(frame, initBB)

    # 如果追蹤器已啟動，更新追蹤結果
    if initBB is not None:
        success, box = tracker.update(frame)
        if success:
            (x, y, w, h) = [int(v) for v in box]
            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
            cv2.putText(frame, "Tracking", (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
        else:
            cv2.putText(frame, "Lost", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)

    # 顯示結果影像
    cv2.imshow("Tesla Detection & Tracking", frame)

    # 按 'q' 鍵退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

說明

1. 模型選擇：這裡我們使用了中等大小的 YOLOv8 模型 (yolov8m.pt)，這在準確性和速度之間達到平衡。可以根據需求選擇更大的模型（yolov8l.pt）或更小的模型（yolov8n.pt）。

2. 物體追蹤：我們使用了 OpenCV 的 KCF 追蹤器。追蹤器初始化後，會根據第一個偵測到的物體開始追蹤，並在後續的每一幀中更新物體的位置。如果追蹤成功，會在影像上繪製綠色矩形框標註追蹤中的物體；若追蹤失敗，則顯示「Lost」。

3. 即時處理：這段程式碼可以處理即時的視訊流，模擬車載攝影機拍攝的路況影片，實現物體的即時偵測和追蹤。

進階應用

在實際應用中，可以將多個追蹤器與更多的偵測後處理技術結合，如 Kalman 濾波、光流追蹤等，以達到更加穩定和準確的多物體追蹤。此外，還可以集成其他感測器數據（如雷達、激光雷達）來提供更全面的環境感知。