如何在Python中调用C++版本的ByteTrack跟踪算法这个项目提供了基于ByteTrack-TensorRT的Python插件，并在原有算法基础上提供了跟踪目标的类别信息，Jetson Orin Nano在之前YOLOv5插件的基础上实现高达83 FPS的实时检测跟踪性能。⚡ 极致性能: 基于TensorRT优化，充分利用硬件加速📦 开箱即用：构建过程简单，快速部署您的跟踪应用🐍 Python 友好: 使用Pybind11提供简洁Python接口📱 边缘设备优化: 特别针对Jetson边缘设备进行适配Build plugin首先安装必要的库克隆仓库构建项目，注意JetPack 5.x版本才能正常运行：sudo apt update sudo apt install ffmpeg sudo apt install pybind11-dev sudo apt install libeigen3-dev git cone https://github.com/HouYanSong/bytetrack_pybind11.git cd bytetrack_pybind11 pip install pybind11 rm -fr build cmake -S . -B build cmake --build build[ 12%] Building CXX object CMakeFiles/bytetrack.dir/bytetrack/src/BYTETracker.cpp.o [ 25%] Building CXX object CMakeFiles/bytetrack.dir/bytetrack/src/STrack.cpp.o [ 37%] Building CXX object CMakeFiles/bytetrack.dir/bytetrack/src/kalmanFilter.cpp.o [ 50%] Building CXX object CMakeFiles/bytetrack.dir/bytetrack/src/lapjv.cpp.o [ 62%] Building CXX object CMakeFiles/bytetrack.dir/bytetrack/src/utils.cpp.o [ 75%] Linking CXX shared library libbytetrack.so [ 75%] Built target bytetrack [ 87%] Building CXX object CMakeFiles/bytetrack_trt.dir/bytetrack_trt.cpp.o [100%] Linking CXX shared module bytetrack_trt.cpython-38-aarch64-linux-gnu.so [100%] Built target bytetrack_trtRun demo我们提供了一个简单的Python示例，只需要导入C++构建的Python动态链接库就可以非常方便的调用ByteTrack跟踪算法，返回目标位置、跟踪ID和类别信息。import cv2 import time import ctypes # 加载依赖库 ctypes.CDLL("./yolov5_trt_plugin/libyolo_plugin.so", mode=ctypes.RTLD_GLOBAL) ctypes.CDLL("./yolov5_trt_plugin/libyolo_utils.so", mode=ctypes.RTLD_GLOBAL) ctypes.CDLL("./build/libbytetrack.so", mode=ctypes.RTLD_GLOBAL) # 导入YOLOv5检测器和ByteTrack跟踪器 from yolov5_trt_plugin import yolov5_trt from build import bytetrack_trt def draw_image(image, detections, tracks, fps): for track in tracks: x, y, w, h = track.tlwh track_id = track.track_id class_id = track.label x1, y1, x2, y2 = int(x), int(y), int(x+w), int(y+h) cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(image, f"C:{class_id} T:{track_id}", (x1, y1 - 10), cv2.FONT_HERSHEY_PLAIN, 1.2, (0, 0, 255), 2) cv2.putText(image, f"FPS: {fps:.2f}", (10, 30), cv2.FONT_HERSHEY_PLAIN, 1.5, (0, 0, 255), 2) return image def main(input_path, output_path): cap = cv2.VideoCapture(input_path) fps_value = int(cap.get(cv2.CAP_PROP_FPS)) width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) writer = cv2.VideoWriter(output_path, cv2.VideoWriter_fourcc(*'MJPG'), fps_value, (width, height)) detector = yolov5_trt.YOLOv5Detector("./yolov5_trt_plugin/yolov5s.engine", width, height) tracker = bytetrack_trt.BYTETracker(frame_rate = fps_value, track_buffer = 30) fps_list = [] frame_count = 0 total_time = 0.0 while cap.isOpened(): ret, frame = cap.read() if not ret: break start_time = time.time() # 目标检测 detections = detector.detect(input_image=frame, input_w=640, input_h=640, conf_thresh=0.45, nms_thresh=0.55) objects = [] for det in detections: x1, y1, x2, y2 = det['bbox'] rect = bytetrack_trt.RectFloat(x1, y1, x2-x1, y2-y1) # x, y, width, height obj = bytetrack_trt.Object() obj.rect = rect obj.label = det['class_id'] obj.prob = det['confidence'] objects.append(obj) # 目标跟踪 tracks = tracker.update(objects) process_time = time.time() - start_time current_fps = 1.0 / process_time if process_time > 0 else 0 frame_count += 1 total_time += process_time fps_list.append(current_fps) # 图像绘制 image = draw_image(frame, detections, tracks, current_fps) writer.write(image) cap.release() writer.release() if frame_count > 0: avg_fps = frame_count / total_time if total_time > 0 else 0 print(f"Processed {frame_count} frames") print(f"Average FPS: {avg_fps:.2f}") print(f"Min FPS: {min(fps_list):.2f}") print(f"Max FPS: {max(fps_list):.2f}") if __name__ == "__main__": input_video = "./media/sample_720p.mp4" output_video = "./result.avi" main(input_video, output_video) 仅需在终端中运行yolov5_bytetrack.py脚本：python yolov5_bytetrack.py[11/07/2025-17:13:10] [I] [TRT] Loaded engine size: 8 MiB Deserialize yoloLayer plugin: YoloLayer [11/07/2025-17:13:12] [I] [TRT] [MemUsageChange] Init cuBLAS/cuBLASLt: CPU +536, GPU +702, now: CPU 841, GPU 3927 (MiB) [11/07/2025-17:13:12] [I] [TRT] [MemUsageChange] Init cuDNN: CPU +83, GPU +94, now: CPU 924, GPU 4021 (MiB) [11/07/2025-17:13:12] [I] [TRT] [MemUsageChange] TensorRT-managed allocation in engine deserialization: CPU +0, GPU +7, now: CPU 0, GPU 7 (MiB) [11/07/2025-17:13:12] [I] [TRT] [MemUsageChange] Init cuBLAS/cuBLASLt: CPU +0, GPU +0, now: CPU 924, GPU 4021 (MiB) [11/07/2025-17:13:12] [I] [TRT] [MemUsageChange] Init cuDNN: CPU +0, GPU +1, now: CPU 924, GPU 4022 (MiB) [11/07/2025-17:13:12] [I] [TRT] [MemUsageChange] TensorRT-managed allocation in IExecutionContext creation: CPU +0, GPU +11, now: CPU 0, GPU 18 (MiB) Init ByteTrack! Processed 1442 frames Average FPS: 83.78 Min FPS: 68.31 Max FPS: 113.35 Conclusion Remarks本文实现了ByteTrack-TensorRT跟踪算法的Python插件，并在原有算法基础上提供了跟踪目标的类别信息，Jetson Orin Nano (8GB)上的YOLOv5实时目标检测和跟踪速度高达80FPS，满足对快速运动目标的跟踪需求。

 1/1.8" 400 万像素CMOS 传感器支持24 倍电动变焦、自动聚焦支持AIISP 图像增强，增强低噪效果支持标准ONVIF、GB28181 协议内嵌智能深度学习算力2.0Tops开放AI算法部署二次开发   

#include <cstdio>#include <cassert>#include <cstdlib>#include <string>#include <vector>#include <thread>#include <mutex>#include <condition_variable>#include <iostream>云端报错，是不能用多线程还是有不可有用的库嘛

在我们的日常生活中，各式各样的产品正在为人类带来便捷体验：空调为我们带来清凉；汽车载我们穿梭于各地之间；太阳能电池板能够提供更清洁的电力。然而，若我们能进一步提升这些产品的用户体验，使其进一步融入丰富我们的生活，那将是一幅何等美好的图景？试想，未来的HVAC（供热、通风与空调）系统或许能够适时提醒您更换滤网，以确保空调的高效运行，让您整个夏季都能享受凉爽。　　通过应用基于神经网络的边缘人工智能技术，我们可以在本地对产品进行深入了解与改进，即在事件发生的源头直接提升用户体验。工程师可以设计并使用数据来训练神经网络算法，然后在嵌入式器件上执行这些算法来解决问题。因此，将边缘 AI 融入到日常应用中将改善我们的生活，使产品更易于使用、更安全、更可持续。　　如今，当提及“智能”设备时，人们大多会联想到无线连接，以及将数据存储在云中用于决策的概念。但是，“连接的设备”不一定等同于“智能的设备”。在边缘做出决策，意味着将计算能力更接近数据源，从而在设备上完成即时决策。这有助于降低延迟、提高功效、增强稳健性和数据安全性，从而加快决策速度。　　以智能家居安防摄像头为例，如果您想要检测后院中的物体是猫还是陌生人，使用云 AI 需要将数据发送到云端，进行处理，然后再发回本地进行决策。这一过程不仅耗时较长，而且能耗较高。而在边缘进行决策时，高度集成的嵌入式设备会在本地运行神经网络，从而降低功耗，提高安全性和隐私性。　　使用边缘 AI 适应未来需求　　边缘 AI 正逐步重塑我们与电子产品的交互方式——无需基于云资源即可在本地做出反应，使交互更灵敏，更高效，更安全。在本地（靠近数据收集位置）运行 AI 算法可加快决策速度，其重要性甚至可能关乎生命安危。以驾驶场景为例，视觉处理器可借助雷达检测技术持续监控周围环境，助力车辆迅速应对障碍，提升驾驶性能。　　在工厂中，边缘 AI 可以实现电机故障检测——通过提前识别故障迹象，实施预测性维护。边缘AI的集成能够防止整个系统损坏，保障生产运行的可靠性、高效性及成本效益。　　在日常生活中，随着边缘 AI 功能不断演进，以及应用的智能化，互联化，它将更好地适应及优化人类的生活方式。例如，空调可以使用雷达来定位家庭成员位置，优化到气流路径，提升能效；而当有人进入您的客厅时，雷达感应亦能自动开关电视。　　在可再生能源领域，边缘 AI可以帮助我们更具战略性地调配资源，做出更高效明智的决策。比如，集成边缘 AI 的太阳能电池板可通过故障检测及电涌预防在系统点火之前将其关闭，不仅能够提升系统安全性，还能促进可再生能源的广泛使用。由此可见，边缘 AI 不仅能为决策提供有力支持，保障行动安全，提高系统效率，更能引领我们迈向更可持续的未来。

针对海外项目提供了英文版等对接资料，新增《华为SDC restful 对接一站式开发指南》《SDC算法上车一站式开发指南》《IVS1800 restful 对接一站式开发指南》《实况&录像业务流程文档》《IVS1800第三方算法上车一站式开发指南》。项目类型文档明细海外英文文档名称下载链接SDCSDKHoloSens SDC SDK开发指南HoloSens SDC SDK Development GuideLINK第三方平台对接HOLOWITS摄像头TLV数据HoloSens SDC TLV Data for Third-Party Platform ConnectionLINKrestfulSDC restful 对接一站式开发指南 SDC RESTful Interconnection One-Stop Development Guide LINK南向算法HoloSens SDC APP开发指南HOLOWITS Camera App Development GuideLINKSDC算法上车一站式开发指南One-Stop Algorithm Development GuideLINK智能微边缘restfulIVS1800 restful 对接一站式开发指南IVS1800 RESTful Interconnection One-Stop Development GuideLINK实况&录像业务流程文档Obtaining URL Video Streams for Live Video and Recording PlaybackLINKIVS1800 11.1.0 接口参考(RESTFUL)HWT-IVS1800 11.1.0 Interface Reference (RESTful）LINK南向算法IVS1800-E第三方算法上车一站式开发指南HWT-IVS1800E 11.1 Algorithm Development GuideLINK

Httpserver测试工具

1、IVS1800&ITS800 restful 对接一站式开发指南2、FAQ

功能介绍文档名称内容简介链接产品介绍微边缘产品书架设备彩页、产品宣传视频资料中心 (huawei.com)文档资料产品文档产品文档、restful接口文档，软件版本等产品文档restful 对接一站式开发指南微边缘设备北向对接接口指南，其中包含业务流程、场景化开发指导、常见问题FAQ等开发指南restful demo微边缘设备北向对接demo相关流程demoIVS1800-E算法上车一站式开发指南介绍微边缘设备第三方算法开发流程算法开发指南常用工具postman测试集包含IVS1800 restful和NVR800 API接口测试集接口集Httpserver测试工具用于告警与元数据推送测试回调工具iClient S100客户端客户端可以对IVS1800、NVR800中接入的摄像机进行设备管理、视频、告警等业务的操作。iClient S100_华为好望商城_智能视频算法_智能识别_机器视觉_云商店-华为云 (huaweicloud.com)iClient ME客户端客户端可以对IVS1800、ITS800接入的摄像机及雷达进行管理和视频业务的操作，支持告警管理、全息路口标定、雷视轨迹拟合、人车智能分析检索等业务。iClient ME_华为好望商城_智能视频算法_智能识别_机器视觉_云商店-华为云 (huaweicloud.com)