观赏鱼健康监控系统

基于 YOLOv8 + DeepSORT 的实时观赏鱼检测与健康异常告警 Demo（笔记本摄像头版），通过 Streamlit 提供可视化界面。

主要功能

• 实时调用摄像头检测 COCO 数据集中的 fish 类别（ID=17），并进行多目标跟踪。
• 记录每条鱼最近 30 帧的运动轨迹，计算速度（像素/秒）。
• 简单异常规则：鱼体速度低且位于画面底部 20% 区域时发出“低速 + 沉底”告警。
• 在页面同时展示视频画面与告警信息。

代码结构

• app.py：Streamlit 前端入口，负责摄像头采集、显示和告警呈现。
• fish_tracker.py：封装检测、跟踪、轨迹维护与异常规则。
• requirements.txt：依赖列表。
• yolov8n.pt：YOLOv8n 预训练权重（COCO）。

环境依赖

Python 包

requirements.txt 已列出核心依赖：

• ultralytics==8.3.241
• deep_sort_realtime==1.3.2
• streamlit==1.52.2
• numpy==2.4.0

建议使用 Python 3.9+。安装：

pip install -r requirements.txt

额外系统依赖

• OpenCV 访问摄像头需要正确的驱动与权限。
• 若使用 GPU，加装对应版本的 PyTorch 与 CUDA（ultralytics 会依赖 torch，确保版本匹配）。

快速开始

1. 安装依赖（见上）。
2. 连接摄像头，确保权限正常。
3. 运行 Streamlit：

streamlit run app.py

4. 在浏览器中打开提示的本地地址，实时查看画面、告警，并自动积累鱼类活动档案；每日 20:00 自动生成当日报告（reports/fish_report_YYYYMMDD.txt）。

核心处理流程

• FishTracker.process_frame(frame):
  1. 使用 YOLOv8 推理，过滤出 fish 类别且置信度高于阈值（默认 0.5）。
  2. 送入 DeepSORT 进行多目标跟踪，获取每条鱼的 ID 与位置。
  3. 维护每个 ID 近 30 帧的轨迹，计算平均速度（像素/秒），并输出 track_stats（速度、是否在底部、步进位移等）。
  4. 规则判断：速度 < 15 且中心点落在图像底部 20% 区域则告警。
  5. 在帧上绘制边框与 ID，并返回帧、告警列表和 track_stats。
• history_manager.py：累计各鱼 ID 的当日指标（帧数、位移、底部占比、慢速占比、平均速度），20:00 生成日度报告并写入 reports/。
• app.py 循环读取摄像头帧，调用检测与历史积累，时间到达 20:00 时自动生成报告并提示。

配置与自定义

• 置信度阈值、规则阈值可在 FishTracker.__init__ 或 process_frame 中调整。
• 若要替换模型权重，可将 model_path 指向新 .pt 文件。
• 需要支持更多异常模式（如停留时间过长、群体异常等）可在规则部分扩展。

已知局限

• 依赖 COCO 中的 fish 类别，针对特定观赏鱼场景准确率有限；建议用自定义数据微调权重。
• 规则简单，仅基于速度与位置，可能产生漏报/误报。
• 未包含录像/截图/日志持久化，需自行扩展。

常见问题

• 无法打开摄像头：检查设备权限和驱动；在 Windows 上确保未被其他应用占用。
• 模型加载慢/显存占用高：可换更小模型或在 CPU 上运行（速度会下降）。
• DeepSORT 报错或缺少依赖：确认安装了 deep_sort_realtime，并确保 OpenCV 版本兼容。

下一步可以做什么

• 引入自定义训练的鱼类检测模型，提升精度。
• 丰富健康判定规则（体表异常、呼吸频率、群体行为），将日度报告改为可视化仪表盘。
• 增加数据记录与回放，支持告警/报告历史查询。