Sharpiless/Yolov5-Deepsort

🚗 Gộp YOLOv5 + DeepSORT thành một lớp Detector dùng cho đếm và theo dõi xe/pedestrian

Một lớp Detector đóng gói sẵn pipeline: phát hiện → theo dõi → đếm, dễ nhúng vào dự án.

Dự án Yolov5-Deepsort của Sharpiless kết hợp YOLOv5 (phát hiện) và DeepSORT (theo dõi) để xây dựng hệ thống giám sát giao thông: phát hiện và theo dõi xe cộ, người đi bộ, đồng thời hỗ trợ đếm số lượng. Toàn bộ logic được đóng gói trong một lớp Detector, cho phép nhúng nhanh vào các ứng dụng thực tế. Mô hình hỗ trợ phiên bản YOLOv5 5.0, cho phép người dùng đào tạo lại trên bộ dữ liệu tùy chỉnh.

✨ Điểm nổi bật

• Lớp Detector tích hợp sẵn: Đóng gói toàn bộ pipeline phát hiện + theo dõi, dễ dùng và mở rộng.
• Hỗ trợ đào tạo lại: Dùng YOLOv5 v5.0 để huấn luyện mô hình riêng trên dữ liệu cá nhân.
• Phân biệt lớp đối tượng: Hiển thị rõ nhãn xe, người, truck trong kết quả đầu ra.
• Theo dõi bằng DeepSORT: Sử dụng mô hình Re-ID để duy trì ID đối tượng qua các khung hình.
• Đếm tự động: Tính toán số lượng xe/pedestrian đi qua khu vực được quan tâm.
• Chạy nhanh trên GPU: Hỗ trợ CUDA, tối ưu bán chính xác để tăng tốc suy diễn.

💡 Vì sao đáng chú ý

Không phải là một demo cô đọng, mà là một thành phần có thể tái sử dụng. Người dùng chỉ cần gọi Detector() và det.feedCap(im) để nhận kết quả phát hiện + theo dõi + đếm. Phù hợp cho các dự án giám sát giao thông, hệ thống an ninh hoặc nghiên cứu CV. Đặc biệt, việc hỗ trợ đào tạo lại trên YOLOv5 5.0 giúp người dùng tùy biến nhận diện các lớp đối tượng cụ thể.

---

#YOLOv5 #DeepSORT #ObjectDetection #ComputerVision #OpenSource #TiniX