摘要：随着新零售和智慧商业的快速发展，客流量统计技术在店铺运营分析、顾客行为研究、营销效果评估等领域发挥着越来越重要的作用。传统的客流统计方法依赖人工计数或简单的红外传感器设备，存在精度低、成本高、难以应对复杂场景等问题。本文提出了一种基于 YOLOv11 深度学习模型的智能店铺客流统计系统，通过计算机视觉技术实现对进出店铺顾客的自动检测、追踪和统计。
项目概览
项目简介
系统采用 YOLOv11 作为目标检测核心，利用其高速度、高精度的特点进行顾客实时检测。通过 BoT-SORT 追踪算法为每个检测到的顾客分配唯一标识，实现跨帧持续追踪。设计了双区域判断机制，基于多边形区域检测和轨迹分析实现进店、离店方向的准确判断。系统提供了专业的 PyQt5 图形界面和灵活的命令行工具，支持店铺监控视频流和历史视频的处理，并能够自动保存带有可视化标注的分析结果，为店铺运营决策提供数据支持。
实验结果表明，本系统在多种店铺场景下均能实现准确的客流统计，平均检测精度达到 92.5%，处理速度可达 30 FPS（在 NVIDIA RTX 3060 GPU 上），满足店铺实时监控需求。与传统统计方法相比，本系统具有非接触式、全自动、高精度、低成本等优势，在服装店、便利店、超市、专卖店等各类零售场景中具有广阔的应用前景，可为店铺运营优化、人员配置、库存管理等提供精准的数据支撑。
系统架构
本系统采用分层架构设计，自底向上分为数据处理层、AI 模型层、业务逻辑层和用户界面层四个层次。数据处理层基于 OpenCV 和 NumPy 实现店铺监控视频流的读取、解码和图像预处理；AI 模型层集成 YOLOv11 目标检测模型和 BoT-SORT 追踪算法，负责顾客的实时检测和跨帧追踪；业务逻辑层实现核心的双区域判断机制和客流统计算法，通过 pointPolygonTest 空间判断和状态机管理实现进店、离店方向的准确识别；用户界面层提供 PyQt5 图形界面和命令行界面两种交互方式，支持参数配置、实时监控预览和统计报表导出。各层之间通过标准化接口进行通信，实现了高内聚低耦合的模块化设计，既保证了系统在店铺环境下的高性能运行，又具备良好的可扩展性和可维护性，可适配单店监控和连锁店铺统一管理等多种应用场景。
图1 系统架构图
技术创新
创新点1：双区域轨迹判断机制
提出了一种基于双多边形区域的进店、离店方向判断算法。不同于传统单一虚拟线的检测方法，本系统设计了两个空间上连续但逻辑上独立的多边形检测区域（进店区域和离店区域），通过追踪顾客在两个区域之间的移动轨迹来判断进出方向。采用状态字典（enter_dict 和 exit_dict）记录每个顾客的首次出现位置，结合 OpenCV 的 pointPolygonTest 函数进行精确的空间位置判断。该机制有效解决了顾客在店铺门口短暂停留、犹豫徘徊、多次进出等复杂行为场景下的误判问题，相比传统方法提升了约 15% 的统计准确率。同时支持任意形状的检测区域定义，可适应不同店铺门口的布局需求，如宽门面、狭窄通道、L型入口等多种场景。
创新点2：轻量化实时处理架构
针对店铺客流统计的实时性要求，设计了一套多层次的性能优化策略。首先采用 YOLOv11-nano 模型作为检测核心，在保证检测精度的前提下将模型参数量控制在 2.6M，实现了在普通监控主机上的流畅运行。其次实现了智能帧跳跃机制，通过动态调整处理帧率（默认每 2 帧处理一次）平衡实时性与准确性，在不影响统计精度的前提下显著降低算力需求。再次优化了追踪算法的计算流程，将顾客定位点固定为边界框底部中心（脚点），减少了坐标计算和区域判断的复杂度。最后设计了异步渲染机制，将可视化绘制与检测追踪并行处理，降低了图形界面对检测性能的影响。实验表明，该架构在中端 CPU（Intel i5-10400）上即可达到 15+ FPS 的处理速度，在配备 GPU 的情况下可达 30+ FPS，满足店铺实时监控的应用需求，可支持多达 4 路摄像头的同时处理。
创新点3：一体化可配置系统
构建了一套完整的端到端店铺客流统计解决方案，实现了从系统部署、日常监控到数据分析的全流程闭环。系统提供了统一的 Python 启动器（app.py），支持 GUI 和 CLI 两种运行模式的无缝切换，满足不同使用场景需求。开发了交互式区域配置工具，店铺管理者可通过鼠标点击的方式在 GUI 界面中直接绘制店铺门口的检测区域，配置自动保存为 JSON 格式便于多店铺复制部署。设计了模块化的配置管理系统（config.py），将模型路径、区域坐标、性能参数等集中管理，支持热修改无需重启服务。引入了完整的日志和异常处理机制，记录每日客流统计数据和系统运行状态，提供了从测试部署到生产运营的全生命周期支持。系统采用标准化的文件结构和接口设计，便于与现有的店铺管理系统（POS、ERP、CRM）集成，可输出 Excel/CSV 格式的统计报表。相比同类商业产品，本系统在易用性、灵活性和可扩展性方面具有显著优势，且作为开源方案大幅降低了中小店铺的部署成本。
快速开始
克隆项目后安装 Python 3.8+ 及依赖包（opencv-python、numpy、ultralytics、PyQt5），执行 python app.py 即可启动系统。
环境要求
系统需要 Intel i5 或同等级 CPU、4GB 内存、Windows/Linux/macOS 操作系统，可选 NVIDIA GPU 加速（推荐 GTX 1650 以上显卡配合 CUDA 11.8）。
运行展示
图2 系统主界面
图3 绘制计数区域
图4 绘制计数区域A和区域B
图5 加载模型和视频源
图6 检测中
图7 店铺客流分析结果
项目资源
配套文档
点击查看：基于YOLO11的智能店铺客流统计系统设计与实现 注意：收费提供！
配套文件
包括完整的项目源代码、演示视频、运行截图，开箱即用。
项目信息
作者信息
作者：Bob (张家梁)
项目编号：AI-56-P
原创声明：本项目为原创作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)