TensorRT-YOLOv8-ByteTrack

emptysoalMIT长期未更新

用 YOLOv8 做检测、ByteTrack 做跟踪的目标跟踪工程，通过 C++ 和 TensorRT 加速推理，适合需要实时多目标跟踪的部署场景。

An object tracking project with YOLOv8 and ByteTrack, speed up by C++ and TensorRT.

暂无版本250star27fork同步于 2026-11-07 07:32 UTC

目标跟踪 TensorRT加速 YOLOv8 ByteTrack C++推理

对比 GitHub 官网 bytetracker object-detector object-tracking tensorrt yolov8

怎么上手

由 README 提炼，执行前请确认

原文

apt install libeigen3-dev
mkdir build && cd build && cmake .. && make
./main ../videos/demo.mp4

硬件要求按 README 说明

需 TensorRT 8.0+ 与 OpenCV 3.4.0+；支持 Jetson 系列嵌入式设备和 Linux x86_64 服务器；README 未说明具体显存要求。

需要 CUDA

下载：源码 zip·GitHub Releases（安装包）本站不镜像安装包

项目说明

由 README 自动翻译提炼

没人工点评？写下你的经验

用 TensorRT 和 C++ 加速 YOLOv8 与 ByteTrack 的目标跟踪部署项目

用 YOLOv8 做检测、ByteTrack 做跟踪的目标跟踪工程，通过 C++ 和 TensorRT 加速推理，适合需要实时多目标跟踪的部署场景。

核心能力

将 YOLOv8 推理封装为 C++ 类并编译成动态链接库
用自写 CUDA 预处理替代原预处理
ByteTrack 也编译为动态链接库以解耦项目
大幅降低 NMS 的 conf_thres 以适配 ByteTrack 原理
支持在 main.cpp 中按类别过滤要跟踪的目标

容易踩的坑

需先自行下载 yolov8s.wts 并转换成 .engine 文件放到 yolo/engine 目录；需安装 Eigen 库并确认 CMakeLists.txt 中库路径；Jetson 上需使用 Jetpack 4.6.1 等对应 TensorRT v8 的系统镜像。

内容由模型根据 README 生成，可能不完整或不准确，以官方文档为准。看原文 README

用户点评

登录用户的真实使用记录，可按版本和硬件筛选

共 0 条

还没有人点评。第一个说出真实体验的人最有价值。

README 原文

未翻译

在 GitHub 打开

TensorRT C++ api 部署 YOLOv8 + ByteTrack

本人另一个 TensorRT 部署 YOLOv8 各任务的项目： YOLOv8 检测、关键点、分割、跟踪

一. 项目简介

基于 TensorRT-v8 ，部署YOLOv8 + ByteTrack 的目标跟踪；
支持 Jetson 系列嵌入式设备上部署，也可以在 Linux x86_64的服务器上部署；

本人所做的主要工作：

参考 tensorrtx 项目，模型 .pth -> .engine，提取出推理部分代码，封装为C++的类，便于其他项目调用；
预处理更换成了自己写的 CUDA编程预处理；
后处理去掉了CUDA编程，因为测试其相比CPU后处理提速并不明显；
后处理的 NMS 大幅减小conf_thres超参数，源于 ByteTrack 跟踪的原理，这一点非常重要；
YOLOv8 推理编译为一个动态链接库，以解耦项目；
参考官方 ByteTrack TensorRT部署，修改其与YOLO检测器的接口；
ByteTrack 也编译为一个动态链接库，进一步解耦项目；
增加类别过滤功能，可以在main.cpp第 8 行设置自己想要跟踪的类别。

二. 项目效果

三. 环境配置

基本要求：

TensorRT 8.0+
OpenCV 3.4.0+

本人在 Jetson Nano 上的运行环境如下：

烧录的系统镜像为 Jetpack 4.6.1，该jetpack 原装环境如下：

CUDA	cuDNN	TensorRT	OpenCV
10.2	8.2	8.2.1	4.1.1

关于如何在 Jetson nano 上烧录镜像，网上资料有很多，这里就不赘述了，注意下载 Jetpack镜像时选择 4.6.1 版本，该版本对应的 TensorRT v8 版本

安装Eigen库

apt install libeigen3-dev

如果是服务器上，保证基本环境版本满足，再安装Eigen库即可

提示：无论何种设备，记得确认 CMakeLists.txt 文件中相关库的路径。

四. 模型转换

目的：得到TensorRT的序列化文件，后缀 .engine

首先获取 wts 格式的模型文件，链接：yolov8s.wts，提取码：gsqm
然后按以下步骤执行：

cd {TensorRT-YOLOv8-ByteTrack}/tensorrtx-yolov8/
mkdir build
cd build
cp {path/to/yolov8s.wts} .
cmake ..
make
./yolov8 -s yolov8s.wts yolov8s.engine s

cd ../../
mkdir yolo/engine
cp tensorrtx-yolov8/build/yolov8s.engine yolo/engine

五. 运行项目

开始编译并运行目标跟踪的代码
按如下步骤运行

mkdir build
cd build
cmake ..
make
./main ../videos/demo.mp4  # 传入自己视频的路径

之后会在 build 目录下得到result.mp4，为跟踪效果的视频文件

如果想要跟踪的视频实时播放，可解开main.cpp第 94 行的注释。

六. 项目参考

主要参考了下面的项目：