动态追踪算法
算法地址：https://github.com/mikel-brostrom/Yolov7_StrongSORT_OSNet。
pip install -r requirements.txt
运行
项目下载好后，根据github的使用文档，可以在项目目录下执行：
python track.py --source test.mp4 --strong-sort-weights osnet_x0_25_market1501.pt如果执行
python track.py --source test.mp4项目会自动去google网盘下载osnet模型，所以可以提前下载StrongSort模型模型下载区，然后用--strong-sort-weights指定即可这里 source 可以是视频文件、摄像头 ID 或者网络视频(rtsp、http、https 都支持)
Yolo 模型
这个项目使用的Yolo算法，所以在里面的Yolo目录中可以像往常一样使用yolo算法生成自己的训练模型，最后在追踪算法内指定YOLO模型即可
--yolo-weights yolov7.pt --img 640
StrongSort模型
模型可以到 https://kaiyangzhou.github.io/deep-person-reid/MODEL_ZOO 下载，这里的模型后缀是 pth，可以直接重命名为 pt
代码解析
打开track.py
从109行开始加载数据流，dataset为要识别的视频流
148行开始便利dataset视频流，将每一帧作为输入，im,im0s,im0都是视频的一帧，赋值给了curr_frames, prev_frames，当前帧和上一帧
162行pred = model(im)，pred为帧图片识别结果
198行将当前帧图片和上一帧图片作为入参输入到strongSort内
利用算法
算法在：track.py 中，算法执行可以选择
--show-vid从而开启一个识别视频流，同时后台会实时的打印识别到的物体算法所有的入参可以在 track.py 第 287行中看到
算法在第248行打印识别结果，可以在这里将识别结果发送到kafka或者写入redis操作，从而配合其他系统使用
算法在171行开始处理图形识别
