企业官网建设流程全解析

简介：面向毕业设计、课程设计及目标检测与多目标跟踪入门人群，这份资源基于YOLOv5与DeepSORT实现车辆、行人的实时检测、追踪与计数，部署门槛低，可直接用于项目演示。项目提供完整Python源码、预训练权重及检测、跟踪、工具三大模块，代码注释详细，新手也能看懂；整体功能完善，经调试可稳定运行，适合作为毕设或期末大作业的高分参考方案。压缩包共78个文件，以Python脚本为主，另有YAML模型配置、Shell运行脚本、依赖清单、Dockerfile、说明文档及测试视频等，覆盖模型推理、跟踪配置、环境还原与效果验证各环节，整体大小约82.69MB。资源结构清晰，核心逻辑包含检测器、跟踪器与主控脚本，并配有独立的目标关联子模块，便于按模块学习。目前已有246人学习下载，适合需要完整方案模板、快速搭建并展示追踪计数效果的高校学生。结合详细使用说明，可系统理解YOLOv5检测、DeepSORT关联及计数思路，是一份工程完整、上手友好的高分项目资料。

1. 为什么毕设题目里总是不约而同出现 YOLOv5 和 Deepsort

车辆和行人的追踪计数，几乎是计算机视觉方向毕业设计里最稳的题之一。这个项目标题的核心组合是 YOLOv5 负责检测，Deepsort 负责追踪帧间的身份，两者串起来后你就能在一段视频上看到每个行人和车辆被框出来、带着一个不变的编号从头走到尾。很多毕设选这个方向，是因为它有成熟的公开代码、清晰的两阶段结构、以及能拿数据说话的实验空间。不论是你打算直接跑通一份源码去复现，还是想把它改成自己的想法，以下内容会按环境搭建、代码拆解、训练替换、排错避坑这条路径讲下来，让你少走弯路、能落地。

2. 先把环境立住：conda 建环境、装依赖、跑通官方 demo

一份基于 YOLOv5 和 Deepsort 的毕设源码，通常包含两套依赖：YOLOv5 官方的 requirements.txt，以及 deep_sort_pytorch 的依赖文件。两套依赖直接合并没有想象中顺利，最常见的结果是 sklearn 版本冲突、numpy 版本冲突，在 import 阶段就报错。所以这一章从选型理由讲起，再给出一个实测比较稳的装法，最后告诉你怎么验证两套模型都加载正常。

2.1 为什么这对组合能在毕设里站稳脚

YOLOv5 是单阶段目标检测器，DeepSORT 是多目标跟踪算法。两者配合的逻辑很清楚：检测器回答“这一帧里有哪些目标、每个目标在哪”，追踪器回答“连续帧之间哪个框属于同一个身份”。对车辆行人追踪来说，这个 tracking-by-detection 的范式在实时性和精度之间能取到不错的平衡，这也是它在高校项目里被反复使用的原因。

有人会问：ByteTrack 不也做得很好吗，为什么毕设题目固定写 Deepsort？原因不是哪个更强，而是 Deepsort 的模块化更清晰，卡尔曼滤波、级联匹配、表观特征 embedding 三个组件都能单独展开写几千字，天然适合论文的第二章和第四章。对毕设而言，这是更稳妥的选择。

从工程复现的角度看，YOLOv5 的代码质量在开源检测器里算是很高的，文档全、模型文件好找。Deepsort 社区里做得比较完整的实现是 deep_sort_pytorch，它提供了一个在行人重识别数据上预训练好的 ReID 权重，拿来就能跑。车辆类的数据集要是有，也可以自己重新训练 ReID 模型来替换。

2.2 conda 环境创建与依赖安装：两个 requirements 怎么不打架

先说结论：不要想着把两份 requirements.txt 直接合并安装。一份是 PyTorch 生态，一份是 sklearn/scipy 生态，装完很容易把某个包升级到不兼容的版本。更稳的办法是分层装：

conda create -n traffic python=3.8 conda activate traffic # 按你机器 CUDA 版本选择 PyTorch，这里以 CUDA 11.3 为例 conda install -c pytorch pytorch=1.12.1 torchvision=0.13.1 cudatoolkit=11.3 # 装 YOLOv5 的核心依赖 pip install opencv-python numpy matplotlib pyyaml tqdm requests pillow # 装 deep_sort_pytorch 需要的追踪依赖 pip install scikit-learn==0.23.2 scipy==1.7.3 lap

参数说明：

• python=3.8 兼容性最好。Python 3.10 之后部分旧版 PyTorch 安装失败，而 3.7 又太老，很多新库开始不支持。
• 把 scikit-learn 固定到 0.23.2 是有意为之。deepsort_pytorch 在旧版本里使用sklearn.utils.linear_assignment_里的 linear_assignment 函数，这个函数在 sklearn 0.24 中被移除。如果不锁版本，装完以后 import 直接报 “cannot import name 'linear_assignment'”。
• lap 是一个线性分配库，Deepsort 做帧间匹配时会用到匈牙利算法的加速实现，CPU 上跑也很快。

装完后做一次快速自检，确认关键 import 没问题：

python - <<'EOF' import torch, numpy, cv2, sklearn from sklearn.utils import linear_assignment_ print("torch:", torch.__version__) print("sklearn:", sklearn.__version__) print("linear_assignment available") EOF

说明：如果你的源码用的是较新版本的 deep_sort_pytorch，可能已经不再 import linear_assignment，而是使用 scipy.optimize.linear_sum_assignment。这种情况下不需要降 sklearn，自检命令可以改成只打印版本号。先 grep 一下源码里的 import 语句再决定装哪个版本。

2.3 项目目录结构与关键文件说明

拿到一份“项目源码+详细使用说明”之后，先不要急着运行，花五分钟把目录结构看清楚。典型布局长这样：

traffic_counter/ ├─ main.py # 程序入口，读视频并逐帧处理 ├─ yolov5/ │ ├─ detect.py │ ├─ models/ # YOLOv5 模型定义 │ ├─ data/ # 默认数据集配置 │ └─ weights/ │ └─ yolov5s.pt # 检测权重 ├─ deep_sort/ │ ├─ deep_sort/ │ │ ├─ deep_sort.py # 追踪器封装 │ │ ├─ track.py # Track 对象定义 │ │ ├─ nn_matching.py # 级联匹配逻辑 │ │ └─ deep/ │ │ └─ checkpoint/ │ │ └─ ckpt.t7 # ReID 特征提取权重 ├─ utils/ # draw、IO、计数的辅助函数 └─ requirements.txt

关键点如下：

• yolov5s.pt 和 ckpt.t7 通常不会随源码包一起提供，需要手动下载。很多毕设代码里路径写的是相对路径，意味着文件必须放在上表指定位置，否则 FileNotFoundError 直接拦在开头。
• main.py 是入口。你之后改输入视频、改检测置信度、改计数线时，主要就是改这一个文件。
• utils 目录下的 draw.py / counter.py 每个项目都不太一样。有些作者会把计数逻辑直接塞进 main.py，但从工程上讲拆开更合理。

2.4 用官方 demo 验证两套模型都能加载

环境建好、文件放好后，先跑两个最小验证。第一个是 YOLOv5 自带的图片检测：

python detect.py --source data/images/bus.jpg --weights yolov5s.pt --conf 0.4 --device 0

正常现象是终端打印识别出的类别和置信度，并输出一张画了检测框的 bus.jpg。如果 CUDA 不可用，把 --device 0 改成 --device cpu，先确认逻辑没问题。

第二个是验证 Deepsort 能加载：

python - <<'EOF' from deep_sort import DeepSort tracker = DeepSort("deep_sort/ckpt.t7", max_dist=0.2, min_confidence=0.3, max_iou_distance=0.7, max_age=70, n_init=3) print("tracker ok") EOF

这段代码做了什么：创建了一个 DeepSort 实例，指定 ReID 权重路径和五个关键参数。只要最后打印 “tracker ok”，说明 Deepsort 模块和依赖都没有问题。

这两个验证都通过，后面调代码就不会再把时间浪费在环境排查上了。

3. 核心代码拆解：检测、追踪、计数怎么串成一条流水线

跑通 demo 之后，真正的目标是读懂主循环在干什么。大部分基于 YOLOv5+Deepsort 的毕设源码，主流程就是三件事：YOLOv5 做目标检测，Deepsort 做多目标追踪，再根据 track_id 做计数。这里按模块拆开讲，最后给出整合后的主循环。

3.1 把 YOLOv5 包装成检测函数：返回框、置信度和类别

项目里一般不会直接调 detect.py，而是把 YOLOv5 包装成一个类，在视频循环里逐帧调用。常见写法：

import torch import numpy as np class YOLODetector: def __init__(self, weights="weights/yolov5s.pt", device="cuda", conf=0.4, img_size=640): self.model = torch.hub.load("yolov5", "custom", path=weights, source="local") self.model.conf = conf self.model.classes = [0, 2, 5, 7] # person, car, bus, truck self.model.to(device) self.device = device self.img_size = img_size def detect(self, frame): # frame 是 OpenCV 读出的 BGR 图 results = self.model(frame, size=self.img_size) dets = results.xyxy[0].cpu().numpy() # 每行: [x1, y1, x2, y2, conf, cls] return dets

代码说明：

• torch.hub.load 里 source="local" 是告诉 hub 直接加载本地仓库，不联网拉配置，速度快也更稳，在离线环境的毕设演示现场尤其重要。
• self.model.classes = [0, 2, 5, 7] 表示只保留 COCO 类别里的 person、car、bus、truck。如果是纯行人数统计，改成 [0] 就行。
• results.xyxy[0] 是一个 n×6 的张量，n 是这一帧的检测框数量，6 表示 x1、y1、x2、y2、confidence、class id。后面喂给 Deepsort 的正是这个矩阵。

参数说明：

• conf=0.4 对车辆行人场景是一个比较折中的阈值。太高会把远处的小目标丢掉，太低又会引入大量误检，造成 ID 频繁切换。
• img_size=640 是模型的输入边长。如果你处理的是 1080p 视频，帧不会直接送进去，内部会做等比缩放。往大了设会提高小目标召回，但推理时间同步上升。

3.2 Deepsort 追踪：update 流程与五个关键参数

Deepsort 的核心机制可以压缩成三句话：先用卡尔曼滤波预测每条轨迹在下一帧的位置，然后用 IoU 做一次粗匹配，最后用 ReID 特征做级联匹配，决定哪些检测框该继承旧 ID、哪些该开新 ID。理解这个流程以后，你会明白一个关键结论：检测器的质量决定 Deepsort 的上限，Deepsort 只是在下限上做补偿。

实际用起来并不复杂，每帧把检测结果交给 tracker.update：

from deep_sort import DeepSort class TrackProcessor: def __init__(self, model_path="deep_sort/ckpt.t7"): self.deepsort = DeepSort( model_path, max_dist=0.2, min_confidence=0.3, max_iou_distance=0.7, max_age=70, n_init=3, nn_budget=100, ) def update(self, detections): # detections: n×6 [x1, y1, x2, y2, conf, cls] tracks = self.deepsort.update(detections) return tracks # 每个 track 对象含 bbox 与 track_id

这五个参数是调追踪效果的入口，值得记一笔：

调参经验是：优先调 max_age 和 min_confidence，因为这两个对计数的影响最直接；max_dist 和 nn_budget 多数时候保持默认就行，改过头反而会丢掉原本正确的匹配。

3.3 计数逻辑：从轨迹 ID 到虚拟线过线判定

计数最常见的方式是虚拟线计数。在画面里定义一条直线，每次目标中心点跨过这条线，就认为完成了一次穿越。为了防止同一辆车被重复计数，核心技巧是按 track_id 做去重。

class LineCounter: def __init__(self, line_start=(0, 500), line_end=(1280, 500)): self.line_start = line_start self.line_end = line_end self.line_y = line_start[1] # 这里以水平线为例 self.previous_centers = {} # track_id -> (cx, cy) self.count_up = 0 # 从下往上 self.count_down = 0 # 从上往下 def update(self, tracks): current_centers = {} for trk in tracks: x1, y1, x2, y2 = trk.get_bbox() cx = (x1 + x2) / 2 cy = (y1 + y2) / 2 current_centers[trk.track_id] = (cx, cy) if trk.track_id in self.previous_centers: prev_cy = self.previous_centers[trk.track_id][1] if prev_cy < self.line_y and cy >= self.line_y: self.count_down += 1 elif prev_cy > self.line_y and cy <= self.line_y: self.count_up += 1 self.previous_centers = current_centers

代码说明：

• 用字典记录每个 ID 上一帧的中心点坐标，而不是假设相邻两帧的目标一一对应。这个设计在面对漏检和 ID 丢失时依然能保持一定的稳定性。
• 判断穿越用的是“上一帧在线上方、这一帧在下方”的条件，因此天然不会重复计数。如果一个目标停在线上抖动，除非中心真实跨过线，否则计数不会增加。
• 双向计数拆成了 count_up 和 count_down，传入方向和传出方向分开统计。如果是商场客流，这两个值可以对应进店和出店。

3.4 主循环整合与可视化绘制

三个模块都准备好之后，把它们串进视频循环。主循环的骨架：

import cv2 def main(video_path): cap = cv2.VideoCapture(video_path) det = YOLODetector() tracker = TrackProcessor() counter = LineCounter() while True: ret, frame = cap.read() if not ret: break detections = det.detect(frame) tracks = tracker.update(detections) counter.update(tracks) frame = draw_results(frame, tracks, counter) cv2.imshow("traffic_counter", frame) if cv2.waitKey(1) & 0xFF == 27: # ESC 退出 break cap.release() cv2.destroyAllWindows()

画框和画计数的辅助函数建议单独放一个 draw.py 里：

def draw_results(frame, tracks, counter): for trk in tracks: x1, y1, x2, y2 = map(int, trk.get_bbox()) cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(frame, f"ID:{trk.track_id}", (x1, y1 - 8), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) cv2.line(frame, counter.line_start, counter.line_end, (0, 0, 255), 2) cv2.putText(frame, f"up: {counter.count_up} down: {counter.count_down}", (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 0, 255), 2) return frame

这段绘制代码还解决了一个常见的显示问题：直接读视频流时图片很大，窗口放不下。建议在 imshow 前加一句frame = cv2.resize(frame, (960, 540))，这样演示时窗口更友好，也不会卡渲染。

主循环跑通后，你手上就有一个可以输出计数结果的系统了。接下来要做的，是把检测器换成自己训练的模型，让论文里的实验部分站得住脚。

4. 训练自己的车辆行人数据集：从标注、超参数到权重替换

如果这个毕设从头到尾都在用别人训练好的权重，答辩时很容易被问住。更稳的做法是自己准备一小批车辆行人数据，用 YOLOv5 训练一个自定义模型，再把权重替换回主流程。这一章从数据标注讲起，到训练命令、超参数调整，最后回到替代验证。

4.1 数据准备与 YOLO 格式标注转换

YOLOv5 训练数据的标准格式是：每张图片对应一个同名 txt，txt 的每一行是“类别 中心点x 中心点y 宽度 高度”，所有坐标归一化到 0~1。标注工作最常用的工具是 LabelImg 或 Labelme，导出 YOLO 格式。

点击图片手动框完后，LabelImg 可以直接保存到 YOLO 格式的 txt 文件。Labelme 保存的是 json，需要转换成 YOLO 格式。转换逻辑不复杂，核心就是把 json 里的多边形包络框转成归一化的 bbox：

import json import os def labelme_to_yolo(json_path, output_dir, image_width, image_height): with open(json_path, 'r', encoding='utf-8') as f: data = json.load(f) lines = [] for shape in data['shapes']: label = shape['label'] # 如 'person' / 'car' points = shape['points'] # [左上, 右上, 右下, 左下] xs = [p[0] for p in points] ys = [p[1] for p in points] x_min, x_max = min(xs), max(xs) y_min, y_max = min(ys), max(ys) cls_id = {'person': 0, 'car': 1, 'bus': 2, 'truck': 3}[label] x_center = ((x_min + x_max) / 2) / image_width y_center = ((y_min + y_max) / 2) / image_height w = (x_max - x_min) / image_width h = (y_max - y_min) / image_height lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") out_name = os.path.splitext(os.path.basename(json_path))[0] + '.txt' with open(os.path.join(output_dir, out_name), 'w') as f: f.write('\n'.join(lines))

参数说明：

• 这个脚本假设你已经知道图片的原始宽高。如果 json 里存了 imageWidth 和 imageHeight 字段，直接读出来更稳妥。
• 类别映射要和你之后数据集 yaml 里的 names 顺序保持一致，否则训练时会张冠李戴。
• 转换后一定要抽查几张 txt 的内容，并写个回读画框的可视化脚本，看看标注框是否贴合目标。坐标归一化错误或者标注框超出图像边界，在训练时很难发现，但会直接影响 mAP。

4.2 数据集配置、训练超参数选择与训练命令

数据准备好后，先写一个数据集配置文件，告诉 YOLOv5 训练集、验证集放在哪，有多少类别：

# data/traffic.yaml train: data/traffic/train/images val: data/traffic/val/images nc: 4 names: ['person', 'car', 'bus', 'truck']

然后开始训练。毕设级别的数据量（几百到一千张图）不需要在模型结构上动刀，直接让训练脚本跑：

python train.py \ --data data/traffic.yaml \ --weights yolov5s.pt \ --epochs 200 \ --batch-size 16 \ --imgsz 640 \ --device 0 \ --patience 40 \ --hyp data/hyps/hyp.scratch-low.yaml

参数说明：

• 使用 yolov5s.pt 做预训练权重开始，而不是用空权重从头训练。几百张图的数据量从头训练很难收敛，微调是唯一合理策略。
• epochs=200 是折中值。官方默认 300，但数据量不大时 150~200 轮就够了，配合 patience=40 做早停，防止后期过拟合。
• batch-size 16 大约需要 6G 以上显存。显存不够就减到 8，或者把 imgsz 降到 416。后一种做法对小目标检测精度影响很大，不建议盲目降低。
• hyp.scratch-low.yaml 是稳定版本超参数，里面定了 lr0=0.01、momentum=0.937、weight_decay=0.0005 等基础值。数据量不大时不要随意调大 learning rate，否则前几个 epoch 损失就崩了。

训练日志和权重输出在 runs/train/exp 目录下。训练过程中可以用 TensorBoard 盯着看：

tensorboard --logdir runs/train

关注两个曲线：loss 曲线和验证集的 mAP 曲线。如果 mAP 在前 50 轮就基本平坦了，说明数据太简单或学习率衰减太快，可以考虑调低 lr0 或检查数据集的标注质量。

4.3 训练后验证与权重替换

训练结束后，runs/train/exp/weights/ 下会有 best.pt 和 last.pt。习惯是先跑一组之前的测试图，确认检测能力，再上视频。命令：

python detect.py \ --source data/traffic/val/images \ --weights runs/train/exp/weights/best.pt \ --conf 0.4 \ --device 0

确认输出图片里车、人、bus、truck 的框都正常后，把检测器的权重路径换成这个 best.pt：

det = YOLODetector(weights="runs/train/exp/weights/best.pt", conf=0.4)

这里有一个经常踩的坑：替换权重后，原来的类别 id 映射可能变了。举个例子，你用自定义数据集把 person 定义成了类别 0、car 定义成类别 1，那 Deepsort 一侧也要相应调整，之前代码里按 cls==2 判断车辆的逻辑就得同步改掉。检测端和追踪端的类别 id 必须始终对应同一套定义。

5. 避坑/常见问题排查：5 个让毕设翻车的典型问题

在多次接触这类毕设项目后，我整理出五个出现频率最高的坑，每个都按“现象 → 原因 → 解决”展开。对照你自己的运行结果，能省下大量排错时间。

5.1 检测框闪断、ID 跳变：先调 max_age 而不是先改模型

现象：视频里同一个行人，上一帧是 ID 12，下一帧变成 ID 37，画面上数字乱跳，人在遮阳伞下走一圈 ID 换了七八个。

原因：目标被短暂遮挡或检测器漏检的瞬间，Deepsort 的轨迹匹配失败，旧轨迹被判定丢失，新检测重新创建了一条轨迹，ID 就变了。

解决：先把 Deepsort 的 max_age 从默认值调到 70 以上。max_age 的含义是“目标连续多少帧没匹配上也可以保留轨迹”，取 70 就能覆盖大多数遮挡场景。同时把检测器 conf 提到 0.35~0.4，拦截那些置信度 0.2 左右的低级误检。最后看一下帧率是否满足 15FPS，如果太低，追踪的帧间位移会变得不稳定，ID 跳变会更频繁。

使用 n_init=3 也有帮助，它保证一条轨迹要连续确认 3 帧才输出，短暂出现的误检框不会被当成正经目标。要注意的是，n_init 调得太大，比如 5 或 10，快速穿过画面的目标反而不会被计数。

5.2 重复计数：Set 去重是唯一正确的解法吗

现象：一辆车穿过虚拟线，计数器加了三四次；一个行人站在线边缘来回移动，计数结果像“抽风一样跳”。

原因：重复计数的根因通常有两个。一是计数逻辑没有按 track_id 去重，同一个目标反复穿过判定；二是 Deepsort 本身给同一辆车分配了新 ID——目标被遮挡或检测中断后轨迹重建，ID 变了，新 ID 又一次穿越了同一根线。

解决：计数逻辑上，用集合保存“已经计过数的 ID”，一个 ID 只允许计数一次。用 set 收集即可：

if track_id not in self.counted_ids: self.counted_ids.add(track_id) if cls == 2: self.vehicle_count += 1

如果是 Deepsort 层面丢了 ID，上述办法解决不了。你需要先确认自己的 ID 变化到底发生在哪一步。简单做法：把每帧的 track_id 和中心点坐标输出到 CSV，对同一车辆观察 ID 是否从 5 变成 21。如果是，调大 max_age，并检查检测器是否在目标越过线时漏检——漏检是 ID 重建的最直接原因。理想情况下，ID 应在目标穿过线之前保持足够稳定，计数才会可靠。

5.3 deep_sort 的 ImportError：sklearn 版本兼容性

现象：安装所有依赖后，import deep_sort 报错，提示 cannot import name 'linear_assignment'，或者在 from sklearn.utils import linear_assignment_ 这一行直接 ModuleNotFoundError。

原因：deepsort_pytorch 老版本依赖 sklearn.utils.linear_assignment_，该接口在 sklearn 0.24 被移除。很多毕设 requirements.txt 没有锁定 sklearn 版本，pip 默认装上最新版，导致运行失败。

解决：把环境里的 scikit-learn 降到 0.23.2。如果 numpy 版本太新导致冲突，把 numpy 固定到 1.21.6。装完后重新执行：

python - <<'EOF' from sklearn.utils.linear_assignment_ import linear_assignment print("sklearn ok") EOF

有些较新分支的 deep_sort_pytorch 已经改用 scipy.optimize.linear_sum_assignment，这种不需要降版本。先 grep 一下你的源码里实际用的是哪个 import，再决定怎么处理，不要盲目照抄命令。

5.4 权重文件缺失：yolov5s.pt 和 ckpt.t7 放哪里

现象：运行 main.py 时没有提示错误类别，直接卡在 torch.hub.load 或者 FileNotFoundError: No such file or directory。

原因：项目和源码包通常不包含权重文件。yolov5s.pt 是检测器权重，ckpt.t7 是 ReID 特征提取权重。作者会在使用说明里提示去下载，但很多人直接跳过说明跑代码。

解决：yolov5s.pt 放到 yolov5/weights/ 或项目根目录的 weights/ 下，取决于你的代码里 path 怎么写。ckpt.t7 放到 deep_sort/deep_sort/deep/checkpoint/ 下，这是 deep_sort_pytorch 仓库约定的默认位置。放完以后先检查路径大小写是否和源码一致；Windows 下路径大小写不敏感，Linux 下不一致就是 FileNotFoundError。

5.5 推理速度慢与显存不足：优化顺序

现象：视频播放明显卡顿，FPS 只有 8~12；跑一段时间后报 CUDA out of memory 并中断。

原因：最常见的情况是直接把 1080p 帧送进 YOLOv5，又没有对输入做缩放；同时 Deepsort 的 ReID 网络也在 GPU 上占显存。另一个隐藏问题是 nn_budget=1000 之类的设置会让匹配阶段计算量暴涨，帧率随即下降。

解决：按性价比从高到低依次做三件事。第一，把视频帧缩放后再送进检测器：

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

第二，把 Deepsort 的 nn_budget 降到 100，max_dist 设为 0.2，减少特征库规模和匹配时间。第三，如果还是不够快，用 TensorRT 对 YOLOv5 做加速，效果一般是 PyTorch 推理的 2~3 倍。

显存不足的应急手段是在主循环里主动清缓存：

torch.cuda.empty_cache()

但这只是缓解，别把它当常规手段。真正的解法是控制输入分辨率和 batch size。

6. 验证与进阶：让答辩老师看到你的实验闭环

毕设答辩被问“效果怎么样”时，不能只说“跑起来感觉还行”。至少要准备两个东西：定量的追踪计数精度，以及一组对比实验。

定量验证方面，自己找一个 3~5 分钟的交通路口视频，手动数一遍真实穿线人数和车辆数，作为 ground truth。然后跑你的系统，算出 precision 和 recall。precision 是系统统计的通过目标里有多少真实目标，recall 是真实目标里系统统计出了多少。注意把 Deepsort 的 ID 切换次数也统计出来，这是追踪模块最直观的指标。

对比实验方面，最省事的一组是把 Deepsort 换成纯 IoU 匹配（网上有现成实现），其他代码不动，对比两者的计数准确度。只要数据不是特别理想化，Deepsort 通常会有明显的精度优势，这张对比表直接能支撑论文里的一个实验小节。如果资源允许，再录一段系统运行录屏，卡在 ID 稳定穿过虚拟线的时刻，答辩时现场放给老师看。

进阶方向上，如果你还有时间，我推荐做以下三件事之一：第一，双向计数，把代码里 count_up 和 count_down 两个方向的统计输出到一个小面板；第二，热度图，把每个目标中心点累积到一副二维直方图，可以用 OpenCV 的 applyColorMap 上色，直观展示密集区域；第三，多线计数，在画面里画多条虚拟线，统计不同区域之间的穿行量，这个方向更贴近商业应用场景。

我个人的习惯是把训练时的那一套超参数变化曲线和追踪的 ID 切换曲线都截图保存下来，论文的实验章节基本就有着落了。最后再提醒一句：检测器的 conf 阈值尽量在整个演示过程中保持不变，不要为了追求效果在答辩现场临时改数字，否则结果和论文对不上，反而显得实验不可复现。希望这些方案和排错经验能帮到你，也祝你的毕设顺利通过。

本文还有配套的精品资源，点击获取