![[kaneko lab.]](https://www.kkaneko.jp/info/logo_png.png){kind=logo}
YOLO26-BoT-SORT によるマルチオブジェクトトラッキング（ソースコードと実行結果）
【概要】YOLO26とBoT-SORT統合トラッカーによるマルチオブジェクトトラッキングシステムである。カルマンフィルタとReID特徴を組み合わせ、フレーム間で同一物体に一貫したIDを付与する。
【目次】
第1章 Python開発環境，ライブラリ類
ここでは、最低限の事前準備について説明する。機械学習や深層学習を行う場合は、NVIDIA CUDA、Visual Studio、Cursorなどを追加でインストールすると便利である。これらについては別ページ https://www.kkaneko.jp/cc/dev/aiassist.htmlで詳しく解説しているので、必要に応じて参照してください。
第2章 Python 3.12 のインストール
Pythonのインストールを行い、Pythonのプログラムを実行する環境を整える。扱う環境は、Windows搭載パソコンである。金子研究室では、Python 3.12.10を推奨する。
[Windows での Python 3.12 のインストール手順を見るには、ここをクリック]
Windows での Python 3.12 のインストール
以下のいずれかの方法でPython 3.12をインストールする。Pythonがインストール済みの場合、この手順は不要である。
方法 1：winget によるインストール
【インストールコマンドの実行方法】
管理者権限でコマンドプロンプトを起動する（手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。そして、コマンド全体をコマンドプロンプトにコピー＆ペーストする。
--scope machine を指定することで、システム全体（全ユーザー向け）にインストールされる。このオプションの実行には管理者権限が必要である。インストール完了後、コマンドプロンプトを再起動するとPATHが反映される。
REM Python 3.12 をシステム領域にインストール
winget install --id Python.Python.3.12 -e --scope machine --silent --accept-source-agreements --accept-package-agreements --override "/quiet InstallAllUsers=1 PrependPath=1 Include_test=0 Include_pip=1 Include_launcher=1 InstallLauncherAllUsers=1 TargetDir=\"C:\Program Files\Python312\""
REM Python と Scripts を PATH 先頭に追加
powershell -NoProfile -Command "$p='C:\Program Files\Python312'; $s=\"$p\Scripts\"; $c=[Environment]::GetEnvironmentVariable('Path','Machine'); if((Test-Path $p) -and (';'+$c+';' -notlike \"*;$p;*\") -and (';'+$c+';' -notlike \"*;$s;*\")){[Environment]::SetEnvironmentVariable('Path',\"$p;$s;$c\",'Machine')}"
方法 2：インストーラーによるインストール
- Python公式サイト（https://www.python.org/downloads/）にアクセスし、「Download Python 3.x.x」ボタンからWindows用インストーラーをダウンロードする。
- ダウンロードしたインストーラーを実行する。
- 初期画面の下部に表示される「Add python.exe to PATH」にチェックを入れてから「Customize installation」を選択する。このチェックを入れ忘れると、コマンドプロンプトから
pythonコマンドを実行できない。 - 「Install Python 3.xx for all users」にチェックを入れ、「Install」をクリックする。
インストールの確認
コマンドプロンプトで以下を実行する。
python --versionバージョン番号（例：Python 3.12.x）が表示されればインストール成功である。「'python' は、内部コマンドまたは外部コマンドとして認識されていません。」と表示される場合は、インストールが正常に完了していない。
第3章 Python の開発環境 Visual Studio Code のインストールと Python 用の設定
Python の開発環境Visual Studio Code（プログラムを編集するソフトウェア。以下、VS Code）を整える。
[Windows での Visual Studio Code のインストールと Python 用の設定手順を見るには、ここをクリック]
Windows での Visual Studio Code のインストールと Python 用の設定手順
1. VS Code と拡張機能のインストール
以下のコマンドにより，既存の VS Code を削除し，全ユーザー共有の設定で再インストールしたうえで，拡張機能（VS Code に機能を追加するソフトウェア）をまとめて導入する．
【インストールコマンドの実行方法】
管理者権限でコマンドプロンプトを起動する（手順：Windows キーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。そして，コマンド全体をコマンドプロンプトにコピー＆ペーストする。
インストールコマンド
REM ============================================================
REM Microsoft Visual Studio Code
REM ============================================================
winget uninstall -e --id Microsoft.VisualStudioCode --silent --disable-interactivity --accept-source-agreements
rmdir /s /q C:\ProgramData\vscode-extensions 2>nul
rmdir /s /q "%APPDATA%\Code" 2>nul
rmdir /s /q "%USERPROFILE%\.vscode" 2>nul
rmdir /s /q "%LOCALAPPDATA%\Microsoft\vscode-update" 2>nul
REM VS Code をシステム領域に新規インストール
winget install --scope machine --id Microsoft.VisualStudioCode -e --silent --accept-source-agreements --accept-package-agreements
REM 全ユーザー共有の拡張機能フォルダ
mkdir C:\ProgramData\vscode-extensions 2>nul
icacls "C:\ProgramData\vscode-extensions" /grant "Everyone:(OI)(CI)M" /T
REM スタートメニューのショートカットを --extensions-dir 付きで再作成
rmdir /s /q "C:\ProgramData\Microsoft\Windows\Start Menu\Programs\Visual Studio Code" 2>nul
del "C:\ProgramData\Microsoft\Windows\Start Menu\Programs\Visual Studio Code.lnk" 2>nul
powershell -NoProfile -Command "$s=New-Object -ComObject WScript.Shell; $lnk=$s.CreateShortcut('C:\ProgramData\Microsoft\Windows\Start Menu\Programs\Visual Studio Code.lnk'); $lnk.TargetPath='C:\Program Files\Microsoft VS Code\Code.exe'; $lnk.Arguments='--extensions-dir \"C:\ProgramData\vscode-extensions\"'; $lnk.Save()"
REM ショートカットの検証
powershell -NoProfile -Command "$s=New-Object -ComObject WScript.Shell; $lnk=$s.CreateShortcut('C:\ProgramData\Microsoft\Windows\Start Menu\Programs\Visual Studio Code.lnk'); Write-Host 'TargetPath:' $lnk.TargetPath; Write-Host 'Arguments:' $lnk.Arguments"
REM ファイル / フォルダ右クリックの「Code で開く」を登録
reg add "HKLM\SOFTWARE\Classes\*\shell\VSCode\command" /ve /d "\"C:\Program Files\Microsoft VS Code\Code.exe\" --extensions-dir \"C:\ProgramData\vscode-extensions\" \"%1\"" /f
reg add "HKLM\SOFTWARE\Classes\Directory\shell\VSCode\command" /ve /d "\"C:\Program Files\Microsoft VS Code\Code.exe\" --extensions-dir \"C:\ProgramData\vscode-extensions\" \"%1\"" /f
reg add "HKLM\SOFTWARE\Classes\Directory\Background\shell\VSCode\command" /ve /d "\"C:\Program Files\Microsoft VS Code\Code.exe\" --extensions-dir \"C:\ProgramData\vscode-extensions\" \"%V\"" /f
REM --extensions-dir 付きで起動する code.cmd ラッパを作成
REM （%* を echo で書くと対話的 cmd で失われるため、PowerShell で [char]37+'*' を書き出す）
powershell -NoProfile -Command "$pct=[char]37; $q=[char]34; $c='@echo off'+[char]13+[char]10+$q+'C:\Program Files\Microsoft VS Code\bin\code.cmd'+$q+' --extensions-dir '+$q+'C:\ProgramData\vscode-extensions'+$q+' '+$pct+'*'+[char]13+[char]10; [IO.File]::WriteAllText('C:\ProgramData\vscode-extensions\vscode.cmd',$c,[Text.Encoding]::ASCII)"
REM 拡張機能のインストール
set "CODE=C:\Program Files\Microsoft VS Code\bin\code.cmd"
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --uninstall-extension GitHub.copilot
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --uninstall-extension GitHub.copilot-chat
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension ms-python.python
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension ms-python.vscode-pylance
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension ms-python.debugpy
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension MS-CEINTL.vscode-language-pack-ja
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension saoudrizwan.claude-dev
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension rust-lang.rust-analyzer
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension tamasfe.even-better-toml
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension anthropic.claude-code
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension almenon.arepl
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --list-extensions --show-versions
echo === セットアップ完了 ===
2. Python インタプリタの選択
同一マシンに複数の Python がインストールされている場合，VS Code で使用する Python 本体（インタプリタ：Python プログラムを解釈・実行するソフトウェア）を選択する必要がある．
- コマンドパレット（コマンド名で機能を呼び出す VS Code の入力欄）を開く（
Ctrl+Shift+P） Python: Select Interpreterと入力する
- 表示される一覧から，使用する Python（例：
C:\Program Files\Python312\python.exe）を選択する．
必要なパッケージのインストール
管理者権限でコマンドプロンプトを起動する
（手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。
REM PyTorch をインストール（GPU対応版）
set "CUDA_TAG=cu128"
set "PYTHON_PATH=C:\Program Files\Python312"
"%PYTHON_PATH%\Scripts\pip" install --no-user -U numpy torch torchvision torchaudio --index-url https://download.pytorch.org/whl/%CUDA_TAG%
pip install --no-user -U ultralytics opencv-python pillow
第4章 YOLO26-BoT-SORT マルチオブジェクトトラッキング
概要
このプログラムは、YOLO26による物体検出と、BoT-SORTトラッカーによるマルチオブジェクトトラッキングを組み合わせたシステムである[1]。検出結果ごとに外観特徴（ReID特徴）を用いた再識別と、カルマンフィルタによる動き予測を組み合わせることで、フレーム間で同一物体に一貫したIDを付与する。
主要技術
BoT-SORT
Aharonらが2022年に提案した手法であり、SORT系トラッカーにカメラモーション補正と外観特徴（ReID）によるマッチングを統合する[1]。ByteTrack同様の二段階関連付けに加え、外観の類似度をコスト行列に組み込むことで、遮蔽や交差が多い場面でのID一貫性を高める。Ultralytics YOLOのtrackモードの既定トラッカーである。
カルマンフィルタ
物体の位置と速度を状態として持ち、次フレームでの位置を予測する手法である。観測値（検出結果）が得られるたびに予測値を補正し、一時的に検出が途切れた物体についても位置を推定し続けられる。
参考文献
[1] Aharon, N., Orfaig, R., & Bobrovsky, B. (2022). BoT-SORT: Robust Associations Multi-Pedestrian Tracking. arXiv:2206.14651. https://arxiv.org/abs/2206.14651
ソースコード
# -*- coding: utf-8 -*-
"""
YOLO26-BoT-SORT マルチオブジェクトトラッキング
検出とReIDを統合したトラッキング
特徴技術名: BoT-SORT
出典: Aharon, N., Orfaig, R., & Bobrovsky, B. (2022). BoT-SORT: Robust Associations
Multi-Pedestrian Tracking. arXiv:2206.14651.
特徴機能: カルマンフィルタによる動き予測と外観特徴（ReID）を組み合わせた
マルチオブジェクトトラッキング
学習済みモデル: YOLO26n (yolo26n.pt)
- 概要: 軽量版YOLO26モデル、COCOデータセット80クラス対応
- URL: 自動ダウンロード (https://github.com/ultralytics/ultralytics)
前準備:
pip install --no-user -U ultralytics opencv-python pillow torch
"""
import cv2
import tkinter as tk
from tkinter import filedialog
import os
import numpy as np
import torch
from ultralytics import YOLO
from PIL import Image, ImageDraw, ImageFont
import urllib.request
import time
from datetime import datetime
import yaml
# GPU/CPU自動選択
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print(f'デバイス: {str(device)}')
# GPU使用時の最適化
if device.type == 'cuda':
torch.backends.cudnn.benchmark = True
# 設定値
CONFIDENCE_THRESHOLD = 0.3
TRACK_HIGH_THRESH = 0.25
TRACK_LOW_THRESH = 0.1
NEW_TRACK_THRESH = 0.25
TRACK_BUFFER = 30
MATCH_THRESH = 0.8
APPEARANCE_THRESH = 0.25
PROXIMITY_THRESH = 0.5
FONT_SIZE = 20
FONT_PATH = 'C:/Windows/Fonts/meiryo.ttc'
# COCO 80クラス色パレット
CLASS_COLORS = [
(255, 0, 0), (0, 255, 0), (0, 0, 255), (255, 255, 0), (255, 0, 255),
(0, 255, 255), (128, 0, 0), (0, 128, 0), (0, 0, 128), (128, 128, 0),
(128, 0, 128), (0, 128, 128), (192, 192, 192), (128, 128, 128), (255, 165, 0),
(255, 20, 147), (0, 191, 255), (255, 69, 0), (255, 140, 0), (173, 255, 47),
(240, 230, 140), (220, 20, 60), (0, 100, 0), (255, 105, 180), (75, 0, 130),
(255, 215, 0), (186, 85, 211), (147, 112, 219), (218, 112, 214), (255, 182, 193),
(176, 196, 222), (255, 160, 122), (205, 92, 92), (240, 128, 128), (221, 160, 221),
(255, 228, 181), (255, 222, 173), (245, 222, 179), (222, 184, 135), (210, 180, 140),
(188, 143, 143), (105, 105, 105), (119, 136, 153), (112, 128, 144), (47, 79, 79),
(85, 107, 47), (154, 205, 50), (127, 255, 0), (255, 127, 80), (255, 99, 71),
(255, 215, 0), (255, 20, 147), (255, 69, 0), (255, 140, 0), (255, 165, 0),
(255, 192, 203), (160, 82, 45), (205, 133, 63), (72, 61, 139), (106, 90, 205),
(123, 104, 238), (72, 209, 204), (199, 21, 133), (25, 25, 112), (255, 0, 255),
(255, 20, 147), (138, 43, 226), (30, 144, 255), (255, 105, 180), (255, 69, 0),
(255, 140, 0), (70, 130, 180), (176, 224, 230), (139, 69, 19), (160, 82, 45),
(210, 105, 30), (205, 92, 92), (184, 134, 11), (218, 165, 32), (238, 203, 173)
]
def get_class_color(class_id):
if class_id < len(CLASS_COLORS):
return CLASS_COLORS[class_id]
else:
np.random.seed(class_id)
return tuple(np.random.randint(0, 255, 3).tolist())
def create_botsort_config():
return {
'tracker_type': 'botsort',
'track_high_thresh': TRACK_HIGH_THRESH,
'track_low_thresh': TRACK_LOW_THRESH,
'new_track_thresh': NEW_TRACK_THRESH,
'track_buffer': TRACK_BUFFER,
'match_thresh': MATCH_THRESH,
'fuse_score': True,
'gmc_method': 'sparseOptFlow',
'with_reid': True,
'model': 'auto',
'proximity_thresh': PROXIMITY_THRESH,
'appearance_thresh': APPEARANCE_THRESH
}
def save_tracker_config(config):
config_path = "botsort_reid.yaml"
with open(config_path, 'w', encoding='utf-8') as f:
yaml.dump(config, f, default_flow_style=False, allow_unicode=True)
return config_path
class MOTMetrics:
def __init__(self):
self.frame_detections = []
self.frame_tracks = []
self.active_tracks = set()
self.track_history = {}
self.id_switches = 0
self.processing_times = []
self.previous_tracks = {}
self.frame_count = 0
def update(self, detections_data, processing_time):
self.frame_count += 1
self.processing_times.append(processing_time)
current_tracks = {}
detection_count = len(detections_data)
track_count = 0
for detection in detections_data:
if detection['tracker_id'] is not None:
track_id = detection['tracker_id']
track_count += 1
current_tracks[track_id] = {
'center': detection['center'],
'confidence': detection['confidence']
}
if track_id not in self.track_history:
self.track_history[track_id] = []
self.track_history[track_id].append(self.frame_count)
self.active_tracks.add(track_id)
self.frame_detections.append(detection_count)
self.frame_tracks.append(track_count)
self._detect_id_switches(current_tracks)
self.previous_tracks = current_tracks.copy()
def _detect_id_switches(self, current_tracks):
if not self.previous_tracks or not current_tracks:
return
for prev_id, prev_data in self.previous_tracks.items():
prev_center = prev_data['center']
min_distance = float('inf')
closest_id = None
for curr_id, curr_data in current_tracks.items():
curr_center = curr_data['center']
distance = np.sqrt((prev_center[0] - curr_center[0])**2 +
(prev_center[1] - curr_center[1])**2)
if distance < min_distance:
min_distance = distance
closest_id = curr_id
if closest_id is not None and min_distance < 50 and closest_id != prev_id:
if prev_id not in current_tracks:
self.id_switches += 1
def calculate_mot_metrics(self):
if len(self.frame_detections) == 0:
return {
'MOTA': 0.0, 'MOTP': 0.0, 'IDP': 0.0, 'IDR': 0.0, 'IDF1': 0.0,
'ID_Switches': 0, 'False_Negatives': 0, 'Total_Tracks': 0,
'Avg_Processing_Time': 0
}
total_detections = sum(self.frame_detections)
total_tracks = sum(self.frame_tracks)
fn = total_detections - total_tracks
fp = 0 # フレームごとのFPは検出と追跡の差から計算
for det, trk in zip(self.frame_detections, self.frame_tracks):
if trk > det:
fp += trk - det
ids = self.id_switches
mota = max(0.0, 1.0 - (fn + fp + ids) / max(1, total_detections))
motp = total_tracks / max(1, total_detections)
idp = max(0.0, (total_tracks - ids) / max(1, total_tracks))
idr = max(0.0, (total_tracks - ids) / max(1, total_detections))
idf1 = 2 * (idp * idr) / max(0.001, idp + idr)
return {
'MOTA': mota * 100, 'MOTP': motp * 100, 'IDP': idp * 100,
'IDR': idr * 100, 'IDF1': idf1 * 100, 'ID_Switches': ids,
'False_Negatives': fn, 'Total_Tracks': len(self.active_tracks),
'Avg_Processing_Time': np.mean(self.processing_times) if self.processing_times else 0
}
def get_stats_text(self):
if self.frame_count == 0:
return "MOT統計: 初期化中"
metrics = self.calculate_mot_metrics()
return (f"YOLO26-BoT-SORT統計 - MOTA: {metrics['MOTA']:.1f}% | "
f"IDF1: {metrics['IDF1']:.1f}% | "
f"ID切替: {metrics['ID_Switches']} | "
f"アクティブ追跡: {metrics['Total_Tracks']}")
frame_count = 0
results_log = []
def video_frame_processing(frame, model, tracker_config_path, font, mot_metrics):
global frame_count
current_time = time.time()
frame_count += 1
# YOLO26による検出とBoT-SORTによる追跡（persist=Trueでフレーム間の追跡状態を保持）
results = model.track(frame, persist=True, conf=CONFIDENCE_THRESHOLD, tracker=tracker_config_path, verbose=False)
result = results[0]
detections_data = []
detection_count = 0
tracked_count = 0
if result.boxes is not None:
boxes = result.boxes
detection_count = len(boxes.xyxy)
has_tracker_ids = hasattr(boxes, 'id') and boxes.id is not None
for i in range(detection_count):
x1, y1, x2, y2 = boxes.xyxy[i].cpu().numpy()
center_x = (x1 + x2) / 2
center_y = (y1 + y2) / 2
confidence = float(boxes.conf[i].cpu().numpy()) if boxes.conf is not None else 0.0
class_name = "object"
class_id = 0
if boxes.cls is not None and hasattr(result, 'names'):
class_id = int(boxes.cls[i].cpu().numpy())
class_name = result.names.get(class_id, "object")
if has_tracker_ids and i < len(boxes.id):
tracker_id = int(boxes.id[i].cpu().numpy())
tracked_count += 1
else:
tracker_id = None
detections_data.append({
'bbox': (int(x1), int(y1), int(x2), int(y2)),
'center': (center_x, center_y),
'confidence': confidence,
'class_name': class_name,
'class_id': class_id,
'tracker_id': tracker_id
})
processing_time = time.time() - current_time
mot_metrics.update(detections_data, processing_time)
# フレーム描画
ann_frame = frame.copy()
if detections_data:
# OpenCVで四角を描画
for detection in detections_data:
x1, y1, x2, y2 = detection['bbox']
class_id = detection['class_id']
bbox_color = get_class_color(class_id)
cv2.rectangle(ann_frame, (x1, y1), (x2, y2), bbox_color, 2)
# PILでテキストを描画
img_pil = Image.fromarray(cv2.cvtColor(ann_frame, cv2.COLOR_BGR2RGB))
draw = ImageDraw.Draw(img_pil)
for detection in detections_data:
x1, y1, x2, y2 = detection['bbox']
class_id = detection['class_id']
class_name = detection['class_name']
bbox_color = get_class_color(class_id)
if detection['tracker_id'] is not None:
main_text = f"ID:{detection['tracker_id']} {class_name}"
status_text = "(BoT-SORT)"
else:
main_text = f"{class_name} (検出)"
status_text = ""
text_bg_color = tuple(int(c * 0.3) for c in bbox_color)
text_color = (255, 255, 255)
bbox = draw.textbbox((0, 0), main_text, font=font)
text_width = bbox[2] - bbox[0]
bg_height = 50 if status_text else 30
draw.rectangle([x1, y1-bg_height, x1 + text_width + 10, y1], fill=text_bg_color)
draw.text((x1 + 5, y1-45), main_text, font=font, fill=text_color)
if status_text:
draw.text((x1 + 5, y1-25), status_text, font=font, fill=text_color)
ann_frame = cv2.cvtColor(np.array(img_pil), cv2.COLOR_RGB2BGR)
# 統計情報表示
img_pil_status = Image.fromarray(cv2.cvtColor(ann_frame, cv2.COLOR_BGR2RGB))
draw_status = ImageDraw.Draw(img_pil_status)
status_text = f"フレーム: {frame_count} | 検出: {detection_count} | 追跡: {tracked_count}"
draw_status.text((10, ann_frame.shape[0] - 85), status_text, font=font, fill=(255, 255, 255))
mot_stats_text = mot_metrics.get_stats_text()
draw_status.text((10, ann_frame.shape[0] - 60), mot_stats_text, font=font, fill=(0, 255, 255))
mot_detailed = mot_metrics.calculate_mot_metrics()
detailed_text = f"MOTA: {mot_detailed['MOTA']:.1f}% | IDF1: {mot_detailed['IDF1']:.1f}% | ID切替: {mot_detailed['ID_Switches']}"
draw_status.text((10, ann_frame.shape[0] - 35), detailed_text, font=font, fill=(255, 165, 0))
ann_frame = cv2.cvtColor(np.array(img_pil_status), cv2.COLOR_RGB2BGR)
result_text = f"検出: {detection_count} | 追跡: {tracked_count} | MOTA: {mot_detailed['MOTA']:.1f}%"
return ann_frame, result_text, current_time
def main():
print("=" * 60)
print("YOLO26-BoT-SORT マルチオブジェクトトラッキングシステム")
print("=" * 60)
print("\n=== 動画処理開始 ===")
print("操作方法:")
print(" q キー: プログラム終了")
print("\n0: 動画ファイル")
print("1: カメラ")
print("2: サンプル動画")
choice = input("選択: ")
print("\nYOLO26-BoT-SORTシステム初期化中...")
model = YOLO("yolo26n.pt")
model.to(device)
print("✓ YOLO26モデル読み込み完了")
tracker_config = create_botsort_config()
tracker_config_path = save_tracker_config(tracker_config)
print("✓ BoT-SORTトラッカー初期化完了")
font = ImageFont.truetype(FONT_PATH, FONT_SIZE)
print("✓ フォント設定完了")
mot_metrics = MOTMetrics()
print("✓ MOT評価指標初期化完了")
print("YOLO26-BoT-SORT初期化完了！")
if choice == '0':
root = tk.Tk()
root.withdraw()
path = filedialog.askopenfilename()
if not path:
exit()
cap = cv2.VideoCapture(path)
elif choice == '1':
cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)
if not cap.isOpened():
cap = cv2.VideoCapture(0)
cap.set(cv2.CAP_PROP_BUFFERSIZE, 1)
else:
# サンプル動画ダウンロード・処理
SAMPLE_URL = 'https://raw.githubusercontent.com/opencv/opencv/master/samples/data/vtest.avi'
SAMPLE_FILE = 'vtest.avi'
urllib.request.urlretrieve(SAMPLE_URL, SAMPLE_FILE)
cap = cv2.VideoCapture(SAMPLE_FILE)
if not cap.isOpened():
print('動画ファイル・カメラを開けませんでした')
exit()
# メイン処理
print('\nYOLO26-BoT-SORTトラッキング開始 - qで終了')
MAIN_FUNC_DESC = "YOLO26-BoT-SORT トラッキング"
try:
while True:
ret, frame = cap.read()
if not ret:
break
processed_frame, result, current_time = video_frame_processing(frame, model, tracker_config_path, font, mot_metrics)
cv2.imshow(MAIN_FUNC_DESC, processed_frame)
if choice == '1': # カメラの場合
print(datetime.fromtimestamp(current_time).strftime("%Y-%m-%d %H:%M:%S.%f")[:-3], result)
else: # 動画ファイルの場合
print(frame_count, result)
results_log.append(result)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
finally:
print('\n=== プログラム終了 ===')
cap.release()
cv2.destroyAllWindows()
if os.path.exists(tracker_config_path):
os.remove(tracker_config_path)
if results_log:
with open('result.txt', 'w', encoding='utf-8') as f:
f.write('=== 結果 ===\n')
f.write(f'処理フレーム数: {frame_count}\n')
f.write(f'使用デバイス: {str(device).upper()}\n')
if device.type == 'cuda':
f.write(f'GPU: {torch.cuda.get_device_name(0)}\n')
f.write('\n')
f.write('\n'.join(results_log))
print(f'\n処理結果をresult.txtに保存しました')
if __name__ == "__main__":
main()