实战｜YOLO+DeepSORT华为Atlas部署：车辆跟踪/计数/违规识别全流程（免费获取资料）

实战｜YOLO+DeepSORT华为Atlas部署：车辆跟踪/计数/违规识别全流程

一、应用场景与技术选型

1. 核心需求

实时车辆跟踪：跨帧分配唯一 ID，应对遮挡 / 快速移动场景；

双向车辆计数：统计路口进出车辆数量；

违规行为识别：检测实线变道、禁停区域超时停留；

边缘部署：基于华为 Atlas（Ascend 310/310P）实现低延迟推理。

2. 技术栈选型

二、核心技术原理速览

1. YOLO+DeepSORT 跟踪流程

graph TD
    A[视频帧输入] --> B[YOLOv8检测车辆]
    B --> C[输出边界框+置信度+类别]
    C --> D[DeepSORT初始化]
    D --> E[卡尔曼滤波预测目标位置]
    E --> F[ReID特征匹配（余弦相似度）]
    F --> G[匈牙利算法分配跟踪ID]
    G --> H[跨帧跟踪更新]
    H --> I[输出跟踪结果（ID+位置）]

2. 违规识别核心逻辑

手动标定车道线（OpenCV 鼠标事件获取实线坐标）；

记录车辆连续帧的中心坐标；

若坐标跨越多条车道线或落在实线上，判定为违规。

划定禁停区域（ROI）；

统计车辆在 ROI 内的停留帧数；

超过阈值（如 30 帧 = 1 秒）则触发告警。

三、华为 Atlas 部署全流程

1. 环境搭建（关键步骤）

# 1. 安装CANN开发环境（适配Atlas 310P）

wget https://ascend-repo.obs.cn-east-2.myhuaweicloud.com/CANN/7.0.0.alpha003/Ascend-cann-toolkit\_7.0.0.alpha003\_linux-x86\_64.run

chmod +x Ascend-cann-toolkit\_7.0.0.alpha003\_linux-x86\_64.run

./Ascend-cann-toolkit\_7.0.0.alpha003\_linux-x86\_64.run --install

# 2. 配置环境变量

source /usr/local/Ascend/ascend-toolkit/set\_env.sh

# 3. 验证环境

npu-smi info -i 0  # 查看NPU状态

2. 模型转换（YOLOv8→ONNX→OM）

步骤 1：YOLOv8 导出 ONNX

from ultralytics import YOLO

# 加载预训练模型（或自定义训练模型）

model = YOLO("yolov8s.pt")

# 导出ONNX格式（指定opset=11，适配ATC工具）

model.export(format="onnx", opset=11, simplify=True, dynamic=False)

步骤 2：ATC 工具转 OM 格式

atc --model=yolov8s.onnx 

    --framework=5           # 5=ONNX格式

    --input\_format=NCHW     # 输入数据布局

    --input\_shape="images:1,3,640,640"   # 批量1，通道3，尺寸640x640

    --output=yolov8s\_atlas  # 输出OM文件名

    --soc\_version=Ascend310P3  # 目标芯片型号

    --output\_type=FP32       # 输出数据类型

3. 核心功能代码实现

（1）Atlas 初始化与推理调用

import acl

import cv2

import numpy as np

from atlas\_utils.presenteragent import presenter\_datatype

# 初始化ACL环境

def init\_acl():

    ret = acl.init()

    assert ret == 0, "ACL初始化失败"

    return ret

# 图像预处理（适配YOLO输入要求）

def preprocess(frame):

    resized = cv2.resize(frame, (640, 640))

    normalized = resized / 255.0

    transposed = np.transpose(normalized, (2, 0, 1))  # HWC→CHW

    input\_data = np.expand\_dims(transposed.astype(np.float32), axis=0)

    return input\_data.flatten()

# 加载OM模型并推理

def infer\_atlas(model\_id, frame):

    input\_data = preprocess(frame)

    # 调用Atlas NPU推理（需提前加载模型）

    result = acl.mdl.execute(model\_id, [input\_data], [output\_buffer])

    return result  # 返回检测框（x1,y1,x2,y2,conf,cls）

（2）DeepSORT 跟踪与车辆计数

from deep\_sort\_realtime.deepsort\_tracker import DeepSort

# 初始化跟踪器

tracker = DeepSort(

    max\_age=30,  # 轨迹最大消失帧数（遮挡恢复）

    n\_init=3,    # 新轨迹初始化帧数

    nn\_budget=100  # ReID特征缓存大小

)

# 计数线配置（虚拟线圈）

count\_line = [(100, 400), (1100, 400)]  # 横向计数线（y=400）

in\_count = 0  # 入境车辆数

out\_count = 0 # 出境车辆数

tracked\_ids = set()  # 已计数的ID

def track\_and\_count(frame, detections):

    global in\_count, out\_count

    # 格式转换：YOLO检测结果→DeepSORT输入（xyxy, conf, cls）

    deepsort\_dets = [(det[:4], det[4], det[5]) for det in detections if det[5] == 2]  # 只跟踪车辆（cls=2）

    tracks = tracker.update\_tracks(deepsort\_dets, frame=frame)

    

    for track in tracks:

        if not track.is\_confirmed() or track.time\_since\_update > 1:

            continue

        bbox = track.to\_tlbr()  # 转换为xyxy格式

        track\_id = track.track\_id

        

        # 绘制跟踪框与ID

        cv2.rectangle(frame, (int(bbox[0]), int(bbox[1])), (int(bbox[2]), int(bbox[3])), (255,0,0), 2)

        cv2.putText(frame, f"ID:{track\_id}", (int(bbox[0]), int(bbox[1]-10)), cv2.FONT\_HERSHEY\_SIMPLEX, 0.6, (255,0,0), 2)

        

        # 车辆计数（判断跨线方向）

        center\_y = (bbox[1] + bbox[3]) / 2

        if track\_id not in tracked\_ids:

&#x20;           if center\_y < count\_line[0][1] - 10:  # 从上方跨越计数线

&#x20;               out\_count +=1

&#x20;               tracked\_ids.add(track\_id)

&#x20;           elif center\_y > count\_line[0][1] + 10:  # 从下方跨越计数线

&#x20;               in\_count +=1

&#x20;               tracked\_ids.add(track\_id)

&#x20;  &#x20;

&#x20;   # 绘制计数线与统计结果

&#x20;   cv2.line(frame, count\_line[0], count\_line[1], (0,255,0), 3)

&#x20;   cv2.putText(frame, f"In:{in\_count} Out:{out\_count}", (50,50), cv2.FONT\_HERSHEY\_SIMPLEX, 1, (0,255,0), 3)

&#x20;   return frame

（3）违规变道 + 违停识别

# 车道线标定（示例：左右实线坐标）

left\_line = [(200, 100), (200, 720)]  # 左实线

right\_line = [(1000, 100), (1000, 720)]  # 右实线

no\_parking\_roi = [(300, 200), (800, 500)]  # 禁停区域（矩形）

parking\_threshold = 30  # 违停阈值（30帧=1秒）

parking\_timers = {}  # 存储车辆停留帧数 {track\_id: frame\_count}

def detect\_violations(frame, tracks):

    global parking\_timers

    for track in tracks:

        if not track.is\_confirmed():

            continue

        bbox = track.to\_tlbr()

        track\_id = track.track\_id

        center\_x = (bbox[0] + bbox[2]) / 2

        center\_y = (bbox[1] + bbox[3]) / 2

        

        # 1. 违规变道检测（跨实线）

&#x20;       if (center\_x > left\_line[0][0] - 10 and center\_x < left\_line[0][0] + 10) or 

&#x20;          (center\_x > right\_line[0][0] - 10 and center\_x < right\_line[0][0] + 10):

&#x20;           cv2.putText(frame, f"ID:{track\_id} 违规变道", (int(bbox[0]), int(bbox[3]+30)), cv2.FONT\_HERSHEY\_SIMPLEX, 0.6, (0,0,255), 2)

&#x20;      &#x20;

&#x20;       # 2. 违规停车检测（禁停区域超时）

&#x20;       if (center\_x > no\_parking\_roi[0][0] and center\_x < no\_parking\_roi[1][0] and

&#x20;           center\_y > no\_parking\_roi[0][1] and center\_y < no\_parking\_roi[1][1]):

&#x20;           parking\_timers[track\_id] = parking\_timers.get(track\_id, 0) + 1

&#x20;           if parking\_timers[track\_id] > parking\_threshold:

&#x20;               cv2.rectangle(frame, (int(bbox[0]), int(bbox[1])), (int(bbox[2]), int(bbox[3])), (0,0,255), 3)

&#x20;               cv2.putText(frame, f"ID:{track\_id} 违停", (int(bbox[0]), int(bbox[1]-40)), cv2.FONT\_HERSHEY\_SIMPLEX, 0.6, (0,0,255), 2)

&#x20;       else:

&#x20;           parking\_timers.pop(track\_id, None)  # 离开禁停区，重置计时器

&#x20;  &#x20;

&#x20;   # 绘制车道线与禁停区域

&#x20;   cv2.line(frame, left\_line[0], left\_line[1], (0,0,255), 2)

&#x20;   cv2.line(frame, right\_line[0], right\_line[1], (0,0,255), 2)

&#x20;   cv2.rectangle(frame, no\_parking\_roi[0], no\_parking\_roi[1], (255,255,0), 2)

&#x20;   cv2.putText(frame, "禁停区域", (no\_parking\_roi[0][0], no\_parking\_roi[0][1]-10), cv2.FONT\_HERSHEY\_SIMPLEX, 0.6, (255,255,0), 2)

&#x20;   return frame

四、效果演示与性能优化

1. 实测效果

2. 关键优化技巧

模型优化：OM 模型启用 FP16 量化（ --output_type=FP16），帧率提升 40%，精度损失≤1%；

跟踪器调优： max_age=30（适配遮挡场景）、 nn_budget=100（控制 ReID 内存占用）；

NPU 资源调度：通过 acl.mdl.set_dynamic_batch_size支持动态批量推理，提升并发处理能力；

预处理加速：使用 OpenCV GPU 加速（ cv2.cuda.resize），预处理耗时从 20ms→5ms。

五、避坑指南（核心！）

问题：ONNX 转 OM 时提示 “opset 版本不支持”；

解决：导出 ONNX 时指定 opset=11，避免高版本算子不兼容。

问题：车辆快速移动时 ID 跳变；

解决：降低 DeepSORT 的 track_low_thresh至 0.1，保留低置信度检测框参与匹配。

问题：批量推理时提示 “内存不足”；

解决：限制 input_shape的 batch_size=1，或启用内存复用（ acl.rt.malloc指定 ACL_MEM_MALLOC_HUGE_FIRST）。

问题：车道线标定后仍误判变道；

解决：增加车道线宽度阈值（±10 像素），过滤抖动导致的坐标偏移。

六、总结与扩展方向

1. 项目价值

本方案实现了边缘端实时交通智能分析，可直接部署于路口、高速收费站等场景，替代传统人工监控，降低运维成本。

2. 进阶扩展

集成车牌识别：结合 EasyOCR 提取车牌信息，关联违规车辆身份；

多目标扩展：支持行人、非机动车检测，适配复杂交通场景；

云端联动：通过 MQTT 协议将告警信息推送至管理平台，实现远程管控。

3. 代码获取

代码请联系蛋蛋 3023819556