ComfyUI YoloTrack

一个用于ComfyUI的YOLO目标检测和跟踪节点插件，支持目标检测、选择和跟踪裁剪功能。

功能特点

• 🎯 YOLO目标检测：支持YOLOv8系列模型进行目标检测
• 🎨 灵活的目标选择：支持多种选择标准（面积、置信度、位置等）
• 📦 智能裁剪：支持多种裁剪比例和自动跟踪
• 🔄 批量处理：支持图像批处理和视频帧序列处理
• 🎭 双掩码模式：支持框掩码和分割掩码
• 🔧 高度可配置：丰富的参数设置满足不同需求

安装

方式1: 通过ComfyUI Manager安装（推荐）

1. 打开ComfyUI Manager
2. 搜索 "YoloTrack"
3. 点击安装

方式2: 手动安装

1. 克隆仓库到ComfyUI的custom_nodes目录：

cd ComfyUI/custom_nodes/
git clone https://github.com/your-username/comfyui-YoloTrack.git

2. 安装依赖：

cd comfyui-YoloTrack
pip install -r requirements.txt

3. 重启ComfyUI

模型准备

将YOLO模型文件（.pt格式）放置在以下目录：

ComfyUI/models/yolo/

支持的模型包括：

• yolov8n.pt（轻量级）
• yolov8s.pt（小型）
• yolov8m.pt（中型）
• yolov8l.pt（大型）
• yolov8x.pt（超大型）

如果目录中没有模型，插件会自动使用Ultralytics下载默认模型。

节点说明

1. YOLO Detection & Selection（YOLO检测与选择）

用于目标检测、选择和生成掩码。

输入参数：

• image: 输入图像
• model_name: YOLO模型选择
• select_criteria: 目标选择标准
  • Area Max/Min: 按面积大小
  • Confidence Max/Min: 按置信度
  • Center Top/Bottom/Left/Right: 按中心位置
• select_count: 选择目标数量（1-100）
• confidence_threshold: 置信度阈值（0.0-1.0）
• nms_threshold: NMS阈值（0.0-1.0）
• output_mode: 输出模式
  • Merged Mask: 合并所有目标的掩码
  • Individual Objects: 分别输出每个目标
• class_ids: 类别ID过滤（可选，用逗号分隔，如"0,2"）

输出：

• preview_image: 带检测框的预览图像
• mask: 目标掩码
• x, y: 边界框左上角坐标
• width, height: 边界框宽度和高度
• x2, y2: 边界框右下角坐标

2. YOLO Tracking & Crop（YOLO跟踪与裁剪）

用于目标跟踪和智能裁剪，特别适合视频处理。

输入参数：

• image: 输入图像序列
• model_name: YOLO模型选择
• select_criteria: 目标选择标准
• select_count: 跟踪目标数量
• confidence_threshold: 置信度阈值
• nms_threshold: NMS阈值
• crop_ratio: 裁剪比例
  • Original: 保持原始比例
  • 1:1, 16:9, 9:16, 4:3, 3:4, 2:3, 3:2: 预设比例
• crop_scale: 裁剪缩放系数（0.01-5.0）
• offset_x: X轴偏移（-2.0-2.0）
• offset_y: Y轴偏移（-2.0-2.0）
• smoothing: 平滑系数（0.0-0.99），值越大越平滑
• mask_type: 掩码类型
  • Box: 边界框掩码
  • Segmentation: 分割掩码（如果模型支持）
• class_ids: 类别ID过滤（可选）

输出：

• cropped_image: 裁剪后的图像
• mask: 目标掩码

使用示例

基础目标检测

1. 添加"YOLO Detection & Selection"节点
2. 连接图像输入
3. 选择模型和检测参数
4. 连接输出到其他节点

视频目标跟踪

1. 添加"YOLO Tracking & Crop"节点
2. 连接视频帧序列
3. 设置跟踪参数和裁剪比例
4. 使用smoothing参数实现平滑跟踪
5. 输出裁剪后的目标区域

特定类别检测

在class_ids参数中输入COCO类别ID，例如：

• "0" - 仅检测人
• "0,2" - 检测人和汽车
• 留空 - 检测所有类别

COCO类别参考

常用类别ID：

• 0: person（人）
• 1: bicycle（自行车）
• 2: car（汽车）
• 3: motorcycle（摩托车）
• 5: bus（公交车）
• 7: truck（卡车）
• 15: cat（猫）
• 16: dog（狗）

完整类别列表请参考COCO数据集。

技术细节

• 框架: PyTorch, Ultralytics YOLO
• 图像处理: OpenCV, PIL
• 批处理: 支持批量图像和视频帧处理
• 平滑跟踪: 指数移动平均实现平滑跟踪效果
• 边界处理: 自动处理图像边界和裁剪溢出

性能建议

• 对于实时应用，推荐使用yolov8n.pt或yolov8s.pt
• 对于高精度需求，使用yolov8l.pt或yolov8x.pt
• 调整confidence_threshold来平衡检测灵敏度和误检率
• 使用smoothing参数减少跟踪抖动（推荐0.5-0.8）

故障排除

模型加载失败

• 确保模型文件在ComfyUI/models/yolo/目录下
• 检查模型文件完整性
• 首次使用时，Ultralytics会自动下载默认模型

检测结果为空

• 降低confidence_threshold值
• 检查class_ids设置是否正确
• 确认图像中包含可检测目标

跟踪不稳定

• 增加smoothing参数值
• 调整crop_scale和偏移参数
• 提高confidence_threshold减少误检

依赖项

• ultralytics
• numpy
• opencv-python-headless
• torch
• Pillow

许可证

[添加您的许可证信息]

贡献

欢迎提交问题和拉取请求！

更新日志

v1.0.0

• 初始版本发布
• 支持YOLOv8系列模型
• 实现目标检测和跟踪功能

联系方式

• GitHub: [您的GitHub链接]
• Issues: [问题反馈链接]

---

如果这个插件对您有帮助，请给个⭐Star支持一下！