YOLOv11-track 训练部署指南
文档信息
| 项目 | 内容 |
|---|---|
| 文档名称 | YOLOv11-track 训练部署指南 |
| 公司名称 | 株式会社日昇テクノロジー |
| 官网 | http://www.dragonwake.com |
| 邮箱 | info@dragonwake.com |
| 创建日期 | 2026/06/08 |
| 概要 | 本资料详细说明 YOLOv11 + ByteTrack 的应用流程，以及在 CSUN RV1126B 开发板上的部署方法。 |
| 版权 | copyright@2026 株式会社日昇テクノロジー |
修改履历
| NO | 版本 | 修改内容 | 修改日期 |
|---|---|---|---|
| 1 | Ver1.0 | 新建 | 2026/06/08 |
本文档的信息可能会因文档改进而在不事先通知的情况下变更。最新版请参照本公司官网。
未经株式会社日昇テクノロジー书面许可，严禁以任何形式复制本文档。
1. YOLOv11 track 概要
YOLOv11 是 Ultralytics YOLO 系列最新的实时目标检测模型，是一款重新定义先进精度、速度与效率潜力的模型。与以往 YOLO 版本相比，YOLOv11 有了显著进化，并在网络架构和训练方法方面引入了重要改进，因此能够灵活适用于广泛的计算机视觉任务。
图1-1 YOLOv11 与以往 YOLO 模型的精度和延迟对比
ByteTrack 是一种基于 tracking-by-detection 方式的多目标跟踪方法，采用简单且高效的数据关联机制。它利用检测框与跟踪轨迹之间的相似度，在保留高分检测结果的同时，从低分检测结果中去除背景，并挖掘遮挡、模糊等困难样本中包含的真实目标。由此可以减少漏检，并提高轨迹连续性。ByteTrack 可以方便地应用到多种先进 MOT 方法中，并能够使 IDF1 指标提升 1 到 10 个百分点。在 MOT17 上，ByteTrack 达到了 30 FPS、80.3 MOTA、77.3 IDF1 和 63.1 HOTA。
本资料详细说明 YOLOv11 + ByteTrack 的应用流程，以及在 CSUN RV1126B 开发板上的部署方法。
图1-2 YOLOv11 + ByteTrack 执行流程
在上述流程中，将视频帧输入到 YOLOv11 检测算法，YOLOv11 检测目标信息（坐标和置信度）。然后，将 YOLOv11 的输出结果转换为 ByteTrack 的输入对象，并通过 ByteTrack 跟踪算法输出跟踪结果（目标 ID 和坐标）。
从流程图可以看出，YOLOv11 和 ByteTrack 彼此独立。因此，可以将 YOLOv11 替换为任意目标检测算法。另外，ByteTrack 的跟踪对象不限于行人，也可以跟踪车辆、动物等任意目标。
2. 资料下载
请从以下链接下载本手册所需资料和源代码。
https://dl.dragonwake.com/download/rv1126b/AI/demo/yolov11/AIDemo_yolov11-track_All.zip
解压后的结构如下。
AIDemo_yolov11-track_All/└── 04-AI_deploy AI 模型部署用源代码
图2-1 YOLOv11-track 资料解压后的目录示例
3. YOLOv11 模型训练
3.1 YOLOv11 训练
YOLOv11 的训练请参考《YOLOv11 训练部署指南》。
3.2 ByteTrack 算法
ByteTrack 是 2021 年提出的一种高效目标跟踪算法。该算法在 MOT17 数据集上取得了突破性成果，MOTA 超过 80，推理速度最高可达 30 FPS。其算法要点是区分高置信度检测框与低置信度检测框，并保留低置信度检测框用于后续确认，从而有效解决遮挡问题并降低 ID Switch。
ByteTrack 的核心有以下两点。
- 区分高置信度检测框与低置信度检测框，并根据信任度执行不同处理。
- 不删除低置信度检测框，而是在后续处理中保留，以便重新确认其是否进入 confirm 状态。
当目标被遮挡时，检测置信度会下降；当目标重新出现时，检测置信度会上升。在遮挡逐渐加深的阶段，会将跟踪目标与低置信度检测目标进行匹配；在目标从遮挡中再次出现的阶段，会将跟踪目标与高置信度检测目标进行匹配。
ByteTrack 的处理流程请参考下图。
图3-1 ByteTrack 算法处理流程
4. YOLOv11-track 模型部署
4.1 模型部署示例说明
本节说明如何将 YOLOv11-track 模型部署到 RV1126B 开发板。本模型是仅经过简单训练的示例模型，不保证模型精度。
4.2 准备工作
4.2.1 硬件准备
请准备 RV1126B 开发板、Type-C 数据线和 LAN 网线，并使用 MobaXterm 通过 SSH 登录 RV1126B 开发板。详细内容请参考入门指南。
使用 LAN 网线连接。
图4-1 使用 LAN 网线连接 RV1126B 开发板的连接结构
使用串口线（Type-C）连接。
图4-2 使用 Type-C 串口线连接 RV1126B 开发板的连接结构
4.2.2 开发环境准备
首次阅读本文档时，请参考《入门指南》，按照其中步骤搭建编译环境。
在 PC 端 Ubuntu 系统中执行 run 脚本，进入 RV1126B 编译环境。步骤如下。
cd ~/develop_environment./run.sh 2204
图4-3 RV1126B Docker 开发环境启动界面
4.2.3 安装开发板依赖库
通过串口或 SSH 登录开发板。该跟踪算法依赖 libeigen3-dev 库，因此需要提前在开发板上安装。
sudo apt-get updatesudo apt-get install libeigen3-dev4.3 示例程序构建
将下载的压缩包移动到 RV1126B Docker 开发环境后，执行以下命令进行解压。
cd /opt/linuxshare/work/rv1126b/jp/AI/demo/Tutorial/yolov11-track/04-AI_deploytar -xJf yolov11_track_C_demo.tar.xz下载并解压后，显示效果如下图所示。
图4-4 YOLOv11-track 示例程序解压后的目录
在 RV1126B Docker 开发环境中进入示例程序解压后的目录，并执行构建操作。具体命令如下。
sudo mount -t nfs -o vers=3,proto=tcp,mountproto=tcp,nolock,retrans=5,timeo=5 192.168.11.85:/ /mntcd /opt/linuxshare/work/rv1126b/jp/AI/demo/Tutorial/yolov11-track/04-AI_deploy/yolov11_track_C_demo/./build.sh
图4-5 YOLOv11-track 示例程序构建成功界面
编译成功后，将执行程序目录 yolov11_track_demo_release/ 复制到 RV1126B 开发板的 /userdata 目录。
cp yolov11_track_demo_release/ /mnt/userdata/ -rf4.4 在开发板上运行 YOLOv11-track 模型
通过串口调试或 SSH 调试进入开发板侧 shell，并移动到示例程序的部署目录。命令如下。
cd /userdata/yolov11_track_demo_release/示例程序的执行命令如下。
chmod 777 yolov11_track_demosudo ./yolov11_track_demo yolov11s_rv1126b.rknn test.mp4执行结果如下图所示。
图4-6 RV1126B 开发板上的 YOLOv11-track 模型执行结果
算法执行情况如下。
图4-7 YOLOv11 检测处理与 ByteTrack 跟踪处理的运行日志
在执行结果中，可以从 RV1126B 编译环境使用以下命令获取测试结果。
cp /mnt/userdata/yolov11_track_demo_release/output.avi .
图4-8 从 RV1126B 开发板获取输出视频 output.avi 的命令执行示例
图4-9 YOLOv11-track 模型的目标检测与跟踪结果
至此，YOLOv11-track 模型已在开发板上正常运行。