(1) 雙視訊物流分析系統製作成果
本專案實作之工業級雙路影像辨識系統執行畫面如下。系統成功整合了 A 路產線模擬影片與 B 路即時 WebCam 串流。
DISPLAY: REAL-TIME DUAL STREAM MONITORING DASHBOARD
(2) 資訊專案結構
本系統遵循模組化開發架構，提升代碼可維護性：
PROJECT_DUAL_VIDEO/
├── app.py # 系統調度與 UI 拼接核心
├── src/
│ └── detection/
│ └── detector.py # YOLOv8 模型封裝與追蹤引擎
└── models/yolov8n.pt # 核心權重文件
├── app.py # 系統調度與 UI 拼接核心
├── src/
│ └── detection/
│ └── detector.py # YOLOv8 模型封裝與追蹤引擎
└── models/yolov8n.pt # 核心權重文件
(3) UML 系統設計圖
UML 01: SYSTEM SEQUENCE DIAGRAM
UML 02: SYSTEM USE CASE DIAGRAM
(4) 程式邏輯與環境配置
LOGIC: app.py MAIN LOOP
LOGIC: detector.py CLASS DEF
安裝套件清單：
pip install ultralytics opencv-python numpy lapx
(5) 全系統功能：物流辨識技術
CORE 使用 YOLOv8 Persistence Tracking 技術，確保物件即使在短暫遮蔽後仍能保持相同 ID，減少重複計數誤差。
FUNCTION: MULTI-OBJECT TRACKING & COUNTING
(6) 使用 AI 工具對話連結
本專案開發過程參考 Gemini 進行系統優化：
(7) Trouble Shooting (修正過程)
- 問題： 雙路影像尺寸不同導致拼接時 `cv2.hstack` 報錯。
- 修正： 在 `app.py` 中對兩路 Frame 進行強制 `cv2.resize` 到相同高度。
- 問題： 缺少追蹤演算法套件。
- 修正： 安裝 `lapx` 並重啟內核後成功啟用 ByteTrack 追蹤功能。
(8) 學習心得
透過本次實作，我掌握了將 AI 模型整合進 OpenCV 即時串流的技術。最寶貴的經驗在於學會如何處理多路視訊的同步顯示，以及如何利用模組化設計（如 Detector 類別）讓專案結構更清晰。這對於未來開發智慧物流監控系統打下了堅實基礎。