重新提交，feat: 模块名改为3个单词，优化README文档

src/carla_multi_tracking/README.md

@@ -0,0 +1,131 @@
+# CARLA 模拟器中的多车辆跟踪系统
+# Multi Vehicle tracking in carla simulator
+#
+本项目提供了一个在 CARLA 自动驾驶模拟器中实现多目标跟踪（Multi-Object Tracking, MOT）的完整解决方案，结合了 YOLO 目标检测算法和 DeepSORT 跟踪算法。
+
+**技术说明：**
+- **YOLO (You Only Look Once)**：一种实时目标检测算法，能够在图像中快速识别和定位多个目标
+- **DeepSORT**：一种基于深度学习的多目标跟踪算法，通过结合运动信息和外观特征实现对目标的持续跟踪
+- **CARLA**：一个开源的自动驾驶模拟器，提供逼真的城市环境和交通场景
+
+本项目使用的 YOLOv8 模型在 CARLA 数据集上进行了训练，该数据集可在 Kaggle 上获取：https://www.kaggle.com/datasets/alechantson/carladataset
+
+![演示效果](https://github.com/Bsornapudi/Carla-YOLO-DeepSort-Multi-Object-Tracking/assets/48683074/c365a981-e314-4cae-b4aa-d234b3de5cfa)
+
+---
+
+## 环境要求与安装指南
+
+在安装所需的 Python 包之前，请确保已完成以下软件的安装和配置：
+
+### 1. CARLA 模拟器
+**用途**：提供自动驾驶仿真环境，生成车辆和行人等交通场景
+
+下载 CARLA 模拟器并按照官方指南进行安装：
+- 下载地址：https://github.com/carla-simulator/carla/releases
+- 安装指南：https://carla.readthedocs.io/en/latest/start_quickstart/
+
+### 2. CUDA
+**用途**：NVIDIA 的并行计算平台，用于加速深度学习模型的 GPU 运算
+
+下载并安装 CUDA Toolkit：
+- 下载地址：https://developer.nvidia.com/cuda-downloads
+- **注意**：请根据您的显卡型号选择兼容的 CUDA 版本
+
+### 3. cuDNN
+**用途**：NVIDIA 的深度神经网络加速库，为深度学习框架提供优化
+
+安装 CUDA Deep Neural Network 库：
+- 安装指南：https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html
+- **注意**：cuDNN 版本需与 CUDA 版本匹配
+
+### 4. Anaconda
+**用途**：Python 环境管理工具，用于创建独立的虚拟环境
+
+下载并安装 Anaconda：
+- 下载地址：https://www.anaconda.com/download
+
+### 5. PyMOT（可选，用于评估）
+**用途**：多目标跟踪评估工具，用于计算 MOTA、MOTP 等跟踪性能指标
+
+下载或克隆此仓库用于后续评估：
+- 仓库地址：https://github.com/Videmo/pymot
+
+---
+
+## 安装步骤
+
+### 步骤 6：创建并激活 Conda 虚拟环境
+
+```bash
+conda create --name <env-name> python=3.8
+conda activate <env-name>
+```
+
+**参数说明：**
+- `<env-name>`：您的虚拟环境名称，可自定义（如 `carla-tracking`）
+- `python=3.8`：指定 Python 版本为 3.8，确保与项目依赖兼容
+
+### 步骤 7：安装项目依赖包
+
+```bash
+pip install -r requirements.txt
+```
+
+**注意**：原命令 `pip install requirements.txt` 有误，正确应为 `pip install -r requirements.txt`
+
+---
+
+## 运行指南
+
+### 步骤 8：启动 CARLA 模拟器
+完成环境配置后，运行 `Carla.exe` 文件启动模拟器
+
+**说明**：模拟器启动后会监听默认端口（2000-2002），等待客户端连接
+
+### 步骤 9：打开命令行或 Jupyter
+从 Anaconda Prompt 启动命令行或 Jupyter Notebook
+
+### 步骤 10：运行目标跟踪
+在 Jupyter 中运行 `track.ipynb` 文件，开始多目标跟踪
+
+**功能说明**：此脚本将连接 CARLA 模拟器，实时捕获图像并使用 YOLO+DeepSORT 进行目标检测与跟踪
+
+### 步骤 11：评估跟踪性能
+依次运行以下文件生成评估指标：
+1. `gt_deepsort.ipynb`：生成 Ground Truth 和 DeepSORT 跟踪结果
+2. `evaluate.ipynb`：计算 MOTA 和 MOTP 值
+
+**评估指标说明：**
+- **MOTA (Multiple Object Tracking Accuracy)**：多目标跟踪准确度，衡量跟踪的整体准确性
+- **MOTP (Multiple Object Tracking Precision)**：多目标跟踪精确度，衡量目标位置估计的精确程度
+
+---
+
+## PyTorch 安装注意事项
+
+在安装 PyTorch 时，请根据您的 CUDA 和 cuDNN 配置选择兼容的版本。
+
+**安装步骤：**
+1. 访问 PyTorch 官网：https://pytorch.org/
+2. 向下滚动找到版本选择器
+3. 选择您的系统配置（操作系统、包管理器、语言、CUDA 版本）
+4. 网站将自动生成对应的安装命令
+
+**示例命令（CUDA 11.7 版本）：**
+```bash
+pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117
+```
+
+**版本兼容性提示：**
+- PyTorch 版本需与 CUDA 版本匹配
+- 建议使用 `nvidia-smi` 命令查看您的显卡支持的 CUDA 版本
+- 不同版本的 CUDA 对应不同的 PyTorch 安装源（如 cu117、cu118、cu121 等）
+
+---
+
+## 常见问题
+
+1. **模拟器连接失败**：确保 CARLA 模拟器已启动并正在运行
+2. **CUDA 内存不足**：尝试减小批处理大小或使用更小的模型
+3. **跟踪效果不佳**：检查 YOLO 模型是否正确加载，确认数据集训练是否充分