讓「不禮讓行人」變成可追蹤的事件：YOLOv8 × DeepSORT

這個專案的目標很簡單：把交通影片放進去，讓程式找出人、車和斑馬線，再把可能的「不禮讓行人」畫在輸出影片上。它不是只看單張圖片，而是把一段影片連續看完，才能判斷車輛和行人之間發生了什麼。

影片進入系統後，YOLOv8 會在每一格畫面裡找出行人、車輛、機車和斑馬線；這個步驟就是物件辨識，結果會以框線標在畫面上。接著 DeepSORT 會替這些物件保留 ID，讓程式知道前後畫面中的「車輛 3」是同一台車，而不是每格都重新計算。OpenCV 負責讀取與寫回影片，PyQt5 則把選檔案、預覽、旋轉校正和進度顯示整合成桌面介面。

使用流程

操作流程是四步：

選影片 → 選模型 → 選「車輛不禮讓行人偵測」→ 輸出標記後影片

選好偵測模式後，系統會先用 YOLOv8 找出畫面裡的人、車和斑馬線，再用 DeepSORT 把同一個物件在不同畫面中的位置串起來。這樣程式才有辦法從一張一張的畫面，累積成「這台車有沒有在行人通過時停下來」這種事件，而不是只根據某一格畫面猜測。

使用者介面

載入影片後，PyQt5 做成的主畫面會顯示影片路徑、預覽畫面、模型選單，以及「車輛不禮讓行人偵測」按鈕；下方還有單部影片和全部影片的處理進度。使用者不需要另外操作命令列，就能在同一個視窗完成設定。

載入 zebra7.mp4 後的主畫面：影片、模型和偵測模式都可以在同一個介面中設定。

開始處理後，預覽畫面會顯示目前的影片狀態，進度列也會跟著更新。

執行中的介面會同時顯示目前影片和整批影片的處理進度。

旋轉校正

如果原始影片是歪的，可以先在校正頁調整角度，再進入後面的偵測。程式會用 OpenCV 將畫面旋轉後再交給後續流程，讓斑馬線、道路方向和物件位置更容易被規則判斷；這不是改變影片內容，而是先把視角整理成比較好辨識的方向。

旋轉校正前，畫面中的道路方向還沒有對齊。

旋轉校正後，影像方向已經調整成比較適合繼續偵測的角度。

實際輸出結果

原始畫面和輸出結果可以清楚對照：輸出影片會加上偵測框、物件 ID，以及「Fail to yield to pedestrians」提示。偵測框代表系統在畫面中找到的物件，ID 則用來追蹤它在連續畫面中的移動。

原始畫面：還沒有加入偵測標記。

輸出結果：畫面中標出行人、車輛、斑馬線，以及「Fail to yield to pedestrians」事件。這個提示不是 YOLOv8 直接猜出來的，而是程式把辨識和追蹤結果放在一起，再根據斑馬線區域、行人位置、車輛方向與移動軌跡做判斷。

不同時間與道路場景都會留下相同格式的標記結果。白天的畫面可以看到斑馬線和車輛標記，夜間畫面則保留了車燈、道路與偵測框。

日間道路場景的實際標記結果。

夜間道路場景的實際標記結果。

輸出影片中的畫面也會保留物件 ID、偵測框和事件提示。因為 DeepSORT 會延續物件的 ID，使用者可以從連續畫面看出同一台車如何接近斑馬線，以及事件提示是在什麼情況下出現。下面是兩個不同道路場景的畫面：

日間影片畫面；可看到跨畫面的物件 ID 與不禮讓提示。