让 YOLO26 模型在合适的运行时上运行，并验证一致性；将检测结果转化为多个视频流中的跟踪 ID 和计数；添加监控，让延迟、准确率和漂移问题在用户察觉之前就触发告警。
根据设备、延迟预算和设备集群选择运行时和
format=，然后通过多次基准测试确认选择。导出为 ONNX，并验证其与 PyTorch 的一致性，包括静态形状 letterbox 陷阱。
在 TensorRT 和 OpenVINO 上选择 FP32、FP16 或 INT8，并准备校准数据及准确率门槛。
使用 ByteTrack、BoT-SORT 或 TrackTrack 跟踪目标，并根据检测器的置信度调整跟踪器阈值。
在跟踪结果上构建线计数、区域占用、热力图和经过校准的速度估算。
通过批量推理和有界队列，让一个模型处理多个摄像头视频流，并测量丢帧情况。
记录逐帧指标，通过 KS 检验检测置信度漂移，并选择成本最低的方法来降低延迟和成本。
针对你的设备做出运行时选择，并以多次基准测试结果为依据，对照毫秒级预算进行评估。
导出为 ONNX 并记录一致性检查结果（边界框、置信度和 mAP），与 PyTorch 模型进行比较。
经过优化的导出模型（OpenVINO 或 TensorRT），已在目标硬件上通过 mAP 和延迟门槛。
一个计数流程，包含计数线、区域计数、热力图，以及基于真实视频的校准速度估算。
一个多视频流工作进程，可批量处理多个摄像头的帧，并报告每路视频流的已处理帧数和丢帧数。
一个监控循环：逐帧 JSON 指标、针对置信度的 KS 漂移检验，以及每周一次的留出集验证。
一个训练好的模型，例如 Train your first YOLO model 中的
runs/detect/pills_v1/weights/best.pt，或用于跟着教程操作的预训练yolo26n.pt检查点。Python 3.10+，以及
pip install "ultralytics[solutions]" onnxruntime scipy（solutions 还会安装 shapely 和 lap）。熟悉 Python、命令行和视频源（文件、网络摄像头、RTSP）。
建议先完成 Train your first YOLO model 和 Building High-Performance YOLO Datasets。
课程内容
4 个模块 · 9 节课程模块 1
模块 2
模块 3