Update from Sync Service

AI工程/YOLO+ByteTrack水流速度检测.md

@@ -0,0 +1,310 @@
+# YOLO + ByteTrack 水流速度检测模型
+
+> 基于 YOLO 目标检测 + ByteTrack 多目标追踪的水流速度检测方案
+>
+> 归档：2026-04-23
+
+---
+
+## 🎯 项目概述
+
+**核心思路**：
+- 用 YOLO 检测水流中的物体（如漂浮物、示踪粒子等）
+- 用 ByteTrack 追踪每个物体的运动轨迹
+- 通过轨迹位移和时间计算流速
+
+---
+
+## 🏗️ 技术架构
+
+```
+视频输入 → YOLO 检测 → 边界框 + 置信度
+              ↓
+    ByteTrack 追踪关联
+              ↓
+      物体 ID + 轨迹
+              ↓
+    位移 / 时间 = 流速
+```
+
+---
+
+## 📦 核心组件
+
+### 1. YOLO 检测器
+
+| 选项 | 说明 |
+|------|------|
+| **YOLOX** | ByteTrack 原生检测器，anchor-free，推荐 |
+| **YOLOv7** | 性能更强，训练更灵活 |
+| **YOLOv8** | 最新 Ultralytics 版本，生态最好 |
+| **YOLOv5** | 最流行，社区支持广 |
+
+**推荐**：YOLOX 或 YOLOv8（与 ByteTrack 集成好）
+
+### 2. ByteTrack 追踪器
+
+| 项目 | 数据 |
+|------|------|
+| 论文 | ECCV 2022 |
+| GitHub | ifzhang/ByteTrack |
+| 原理 | 关联所有检测框（不只是高分框） |
+| 速度 | 30 FPS (V100) |
+| 性能 | MOT17: 80.3 MOTA, 77.3 IDF1 |
+
+---
+
+## 🔧 训练自定义模型
+
+### Step 1: 数据准备
+
+**需要**：
+- 水流场景视频/图像
+- 标注目标物体（如漂浮物、示踪粒子）
+- COCO 格式标注
+
+**标注工具**：
+- LabelImg
+- CVAT
+- Roboflow
+- Label Studio
+
+**COCO 格式**：
+```json
+{
+  "images": [{"id": 1, "file_name": "frame_001.jpg", "width": 1920, "height": 1080}],
+  "annotations": [{"id": 1, "image_id": 1, "category_id": 1, "bbox": [x, y, w, h]}],
+  "categories": [{"id": 1, "name": "floating_object"}]
+}
+```
+
+### Step 2: YOLO 训练
+
+**以 YOLOX 为例**：
+```bash
+# 1. 克隆仓库
+git clone https://github.com/Megvii-BaseDetection/YOLOX.git
+cd YOLOX
+pip3 install -v -e .
+
+# 2. 准备数据集（COCO 格式）
+ln -s /path/to/your/data ./datasets/water_flow
+
+# 3. 创建配置文件
+# 复制 exps/example/yolox_voc/yolox_voc_s.py 并修改
+
+# 4. 训练
+python tools/train.py -f exps/example/water_flow/yolox_s_water.py \
+  -d 1 -b 8 --fp16 -o -c pretrained/yolox_s.pth
+```
+
+**以 YOLOv7 为例**：
+```bash
+# 1. 克隆仓库
+git clone https://github.com/WongKinYiu/yolov7.git
+cd yolov7
+
+# 2. 准备数据（YOLO 格式）
+# 创建 data/custom.yaml
+
+# 3. 微调训练
+python train.py --device 0 --batch-size 32 \
+  --data data/custom.yaml --img 640 640 \
+  --cfg cfg/training/yolov7-custom.yaml \
+  --weights 'yolov7_training.pt' --name custom
+```
+
+### Step 3: ByteTrack 集成
+
+```bash
+# 1. 克隆 ByteTrack
+git clone https://github.com/ifzhang/ByteTrack.git
+cd ByteTrack
+pip3 install -r requirements.txt
+python3 setup.py develop
+
+# 2. 训练 ByteTrack 模型（使用自定义数据）
+python3 tools/train.py -f exps/example/mot/your_exp_file.py \
+  -d 8 -b 48 --fp16 -o -c pretrained/yolox_x.pth
+
+# 3. 追踪推理
+python3 tools/track.py -f exps/example/mot/your_exp_file.py \
+  -c pretrained/bytetrack_custom.pth.tar -b 1 -d 1 --fp16 --fuse
+```
+
+---
+
+## 📐 流速计算算法
+
+### 基本原理
+
+```
+v = d / t
+```
+
+- `v` = 流速 (m/s)
+- `d` = 实际位移 (m)
+- `t` = 时间间隔 (s)
+
+### 像素到实际距离转换
+
+**需要相机标定**：
+1. 在场景中放置已知尺寸的参考物
+2. 计算像素到实际距离的比例因子
+3. 考虑透视变形（如果需要）
+
+### 实现代码
+
+```python
+import cv2
+import numpy as np
+from collections import defaultdict
+
+class FlowVelocityCalculator:
+    def __init__(self, pixels_per_meter, fps):
+        self.ppm = pixels_per_meter  # 像素/米 比例
+        self.fps = fps  # 帧率
+        self.trajectories = defaultdict(list)
+        
+    def update(self, tracks, frame_idx):
+        """更新轨迹"""
+        for track in tracks:
+            track_id = track.track_id
+            bbox = track.tlbr  # [x1, y1, x2, y2]
+            center = ((bbox[0] + bbox[2]) / 2, (bbox[1] + bbox[3]) / 2)
+            self.trajectories[track_id].append((frame_idx, center))
+            
+    def calculate_velocity(self, track_id, min_frames=5):
+        """计算单个物体的流速"""
+        traj = self.trajectories.get(track_id, [])
+        if len(traj) < min_frames:
+            return None
+            
+        # 取首尾帧
+        start_frame, start_pos = traj[0]
+        end_frame, end_pos = traj[-1]
+        
+        # 计算像素位移
+        dx = end_pos[0] - start_pos[0]
+        dy = end_pos[1] - start_pos[1]
+        pixel_dist = np.sqrt(dx**2 + dy**2)
+        
+        # 转换为实际距离
+        real_dist = pixel_dist / self.ppm
+        
+        # 计算时间
+        time_sec = (end_frame - start_frame) / self.fps
+        
+        # 流速
+        velocity = real_dist / time_sec
+        return velocity
+    
+    def get_all_velocities(self):
+        """获取所有物体的流速"""
+        velocities = {}
+        for track_id in self.trajectories:
+            v = self.calculate_velocity(track_id)
+            if v is not None:
+                velocities[track_id] = v
+        return velocities
+```
+
+---
+
+## 📊 完整工作流程
+
+```
+1. 数据采集
+   ↓
+2. 数据标注（COCO 格式）
+   ↓
+3. YOLO 训练检测器
+   ↓
+4. ByteTrack 训练追踪器（可选）
+   ↓
+5. 相机标定（像素→实际距离）
+   ↓
+6. 视频推理（检测 + 追踪）
+   ↓
+7. 轨迹提取与流速计算
+   ↓
+8. 结果可视化与输出
+```
+
+---
+
+## 🛠️ 环境配置
+
+```bash
+# Python 3.8+
+conda create -n waterflow python=3.8
+conda activate waterflow
+
+# 安装 PyTorch
+pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118
+
+# 安装 YOLOX
+git clone https://github.com/Megvii-BaseDetection/YOLOX.git
+cd YOLOX && pip install -v -e .
+
+# 安装 ByteTrack
+cd .. && git clone https://github.com/ifzhang/ByteTrack.git
+cd ByteTrack && pip install -r requirements.txt && python setup.py develop
+
+# 其他依赖
+pip install opencv-python numpy scipy lap motmetrics
+```
+
+---
+
+## 📈 模型选择建议
+
+| 场景 | 推荐模型 | 原因 |
+|------|---------|------|
+| 边缘部署 | YOLOX-Nano + ByteTrack | 参数 0.9M，速度快 |
+| 平衡性能 | YOLOX-S + ByteTrack | 精度速度均衡 |
+| 高精度 | YOLOX-X + ByteTrack | 精度最高 |
+| 快速验证 | YOLOv8n + ByteTrack | 生态好，易用 |
+
+---
+
+## 💡 优化技巧
+
+### 1. 数据增强
+- 运动模糊模拟
+- 光照变化
+- 水面反射
+
+### 2. 追踪优化
+- 调整检测阈值（低阈值可能更好）
+- 调整追踪关联阈值
+- 使用卡尔曼滤波
+
+### 3. 流速计算
+- 多物体平均流速
+- 异常值过滤
+- 轨迹平滑处理
+
+---
+
+## 🔗 相关资源
+
+| 资源 | 链接 |
+|------|------|
+| ByteTrack | https://github.com/ifzhang/ByteTrack |
+| YOLOX | https://github.com/Megvii-BaseDetection/YOLOX |
+| YOLOv7 | https://github.com/WongKinYiu/yolov7 |
+| YOLOv8 | https://github.com/ultralytics/ultralytics |
+| ByteTrack 论文 | https://arxiv.org/abs/2110.06864 |
+
+---
+
+## AI工程索引
+
+相关笔记：
+- [[INDEX_AI工程]] - AI工程知识索引
+- [[ClaudeCode完全研究]] - Claude Code 完整指南
+
+---
+
+*整理：知识库管理员 | 归档：2026-04-23*