BoxMOT 多目标跟踪实战11 种 SOTA 算法对比5 分钟跑通 Demo【免费下载链接】boxmotBoxMOT: Pluggable Python and C SOTA multi-object tracking modules with support for axis-aligned and oriented bounding boxes项目地址: https://gitcode.com/GitHub_Trending/bo/boxmot做安防回放时同一个人 ID 3 和 ID 7 来回跳相机一抖动轨迹就断多路视频同时跟踪时机器又吃不消。这是多目标跟踪MOT最典型的痛点。BoxMOT 把 ByteTrack 到 OccluBoost 共 11 种 SOTA 跟踪算法收进一个库配合 YOLO 等检测器随取随用。 能力全景一个接口一套多目标跟踪算法库BoxMOT 是插件式的多目标跟踪模块库。检测模型、外观编码器ReID、跟踪算法各自独立成组件由 pipeline 拼装组合。AABB 正框和 OBB 旋转框都支持检测端可接 YOLO 系、YOLOX、RT-DETR跟踪端共 11 个实现。按技术路线分组如下技术路线算法差异定位纯几何/运动学关联ByteTrack纯运动关联最快的基线不依赖 ReIDOcSort质心距离关联简单稳定SFSORT运动学基础上加入区域尺寸线索深度 ReID 相机运动补偿BoT-SORT引入 CMC 相机运动补偿StrongSORTReID ECC 运动估计外观特征必选DeepOcSortOcSort 基础上融合深度特征HybridSORT混合关联策略OBB 基准表现最好BoostTrack自适应参数调整OccluBoost面向遮挡优化MOT17 HOTA 居首混合/多模态MafHda全帧实例掩码参与关联EagerMot3D 框 相机标定的传感器融合基准分数也列在 README 的 MOT17 ablation 表里OccluBoost HOTA 最高 71.10ByteTrack 最低 67.68两者差距主要出在 IDF1 上也就是 ID 跳变的频率。 5 分钟跑通第一个 MOT Demo先 clone然后 pip 一把装完接着就能出结果。git clone https://gitcode.com/GitHub_Trending/bo/boxmot cd boxmot pip install boxmot默认安装覆盖 Python 3.10–3.13包含 CLI、跟踪器实现和 ReID 栈。要接 YOLO 系检测器装完补一句boxmot install --extra yolo即可。最小运行路径就一条 CLI 命令输入源是摄像头0换成本地视频文件也一样boxmot track --detector yolo26n --reid lmbn_n_duke --tracker botsort --source 0 --save --show如果想嵌进自己的服务Python API 也只需几行建 tracker传入框和图像返回矩阵里带 track ID。规范数据结构与能力检查接口可查 Python API 文档。import numpy as np from boxmot import OccluBoost tracker OccluBoost() dets np.array([[100, 200, 300, 400, 0.9, 0]]) frame np.zeros((480, 640, 3), dtypenp.uint8) print(tracker.update(dets, frame)[:, 4]) # track ID BoxMOT 算法选型对照按场景对号入座做 MOT 算法选型先别逐个啃算法先看自己的场景。下面的多目标跟踪算法对比按场景 → 推荐 → 理由排列严重遮挡、ID 频繁跳变→ OccluBoost 或 BoT-SORT —— 前者面向遮挡优化MOT17 HOTA 71.10 居首后者深度特征恢复能力强相机/平台运动无人机、车载、手持 → BoT-SORT 或 StrongSORT —— CMC / ECC 相机运动补偿避免全局漂移打碎关联长时序、ID 稳定优先→ StrongSORT 或 DeepOcSort —— 长时缓冲加外观特征目标短暂丢失后易找回端侧/资源受限→ ByteTrack —— 纯几何关联无 ReID 推理开销最低还可切 C 原生后端进一步降延迟OBB 旋转框停车场、工业零件 → HybridSORT —— MMOT OBB 基准 54.64 HOTA 最佳3D/传感器融合→ EagerMot —— 需要 3D 检测与相机标定可在世界坐标下跟踪一行决策逻辑不用外观特征先上 bytetrack要用 ReID 看 botsort 家族有全帧掩码选 maf_hda有 3D 框上 eagermot。定完选型剩下的事就是拿自己的数据验证。️ 踩坑笔记与调优要点首帧慢ReID 模型加载是瓶颈。外观特征模型在 tracker 首次 update 时才懒加载权重首次使用还要现下载。在意首帧延迟的话先做模型预热或者预计算 embedding 直接传入项目支持附带特征以跳过逐帧推理。置信度阈值是个跷跷板降了框多ID 跳也变多。det_thresh 放低会提升召回但假框同时增多误关联的主要来源就在这。track_high_thresh、track_low_thresh、match_thresh 的调参区间都标在 botsort 配置里也可以直接让项目自带的 tune 工作流自动搜不用手动试。高分辨率多路流内存涨得快。走 CMC 或 ReID 的 tracker 都要持有真实图像像素高分辨率帧加全帧掩码是主要开销。务实的做法是降分辨率或换用不吃图像像素的纯几何关联 tracker质心 / IoU。各 tracker 的输入支持矩阵见 tracker 配置文档。 多目标跟踪适用场景安防回放与人流统计—— 高密度行人场景ID 稳定性直接决定统计和轨迹回放的可用性车载与自动驾驶—— EagerMot 的 3D 框 相机标定路径适配带激光雷达的感知栈体育赛事分析—— 高速运动加频繁遮挡项目有 SportsMOT 基准可直接对照边缘实时处理—— ByteTrack 叠加 C 原生后端端侧硬件开销低工业检测与 OBB—— 旋转框场景HybridSORT 在 OBB 基准上领先跟踪领域正从单算法比拼走向组件化组合与 C 原生加速YOLO 多目标跟踪部署在工程里已是标配。挑一个贴合自己业务的场景先用 5 分钟跑通最小示例再拿自己的数据对比 HOTA 和 IDF1 的差距比读十篇论文都直观。【免费下载链接】boxmotBoxMOT: Pluggable Python and C SOTA multi-object tracking modules with support for axis-aligned and oriented bounding boxes项目地址: https://gitcode.com/GitHub_Trending/bo/boxmot创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 BoxMOT 多目标跟踪实战：11 种 SOTA 算法对比，5 分钟跑通 Demo
BoxMOT 多目标跟踪实战11 种 SOTA 算法对比5 分钟跑通 Demo【免费下载链接】boxmotBoxMOT: Pluggable Python and C SOTA multi-object tracking modules with support for axis-aligned and oriented bounding boxes项目地址: https://gitcode.com/GitHub_Trending/bo/boxmot做安防回放时同一个人 ID 3 和 ID 7 来回跳相机一抖动轨迹就断多路视频同时跟踪时机器又吃不消。这是多目标跟踪MOT最典型的痛点。BoxMOT 把 ByteTrack 到 OccluBoost 共 11 种 SOTA 跟踪算法收进一个库配合 YOLO 等检测器随取随用。 能力全景一个接口一套多目标跟踪算法库BoxMOT 是插件式的多目标跟踪模块库。检测模型、外观编码器ReID、跟踪算法各自独立成组件由 pipeline 拼装组合。AABB 正框和 OBB 旋转框都支持检测端可接 YOLO 系、YOLOX、RT-DETR跟踪端共 11 个实现。按技术路线分组如下技术路线算法差异定位纯几何/运动学关联ByteTrack纯运动关联最快的基线不依赖 ReIDOcSort质心距离关联简单稳定SFSORT运动学基础上加入区域尺寸线索深度 ReID 相机运动补偿BoT-SORT引入 CMC 相机运动补偿StrongSORTReID ECC 运动估计外观特征必选DeepOcSortOcSort 基础上融合深度特征HybridSORT混合关联策略OBB 基准表现最好BoostTrack自适应参数调整OccluBoost面向遮挡优化MOT17 HOTA 居首混合/多模态MafHda全帧实例掩码参与关联EagerMot3D 框 相机标定的传感器融合基准分数也列在 README 的 MOT17 ablation 表里OccluBoost HOTA 最高 71.10ByteTrack 最低 67.68两者差距主要出在 IDF1 上也就是 ID 跳变的频率。 5 分钟跑通第一个 MOT Demo先 clone然后 pip 一把装完接着就能出结果。git clone https://gitcode.com/GitHub_Trending/bo/boxmot cd boxmot pip install boxmot默认安装覆盖 Python 3.10–3.13包含 CLI、跟踪器实现和 ReID 栈。要接 YOLO 系检测器装完补一句boxmot install --extra yolo即可。最小运行路径就一条 CLI 命令输入源是摄像头0换成本地视频文件也一样boxmot track --detector yolo26n --reid lmbn_n_duke --tracker botsort --source 0 --save --show如果想嵌进自己的服务Python API 也只需几行建 tracker传入框和图像返回矩阵里带 track ID。规范数据结构与能力检查接口可查 Python API 文档。import numpy as np from boxmot import OccluBoost tracker OccluBoost() dets np.array([[100, 200, 300, 400, 0.9, 0]]) frame np.zeros((480, 640, 3), dtypenp.uint8) print(tracker.update(dets, frame)[:, 4]) # track ID BoxMOT 算法选型对照按场景对号入座做 MOT 算法选型先别逐个啃算法先看自己的场景。下面的多目标跟踪算法对比按场景 → 推荐 → 理由排列严重遮挡、ID 频繁跳变→ OccluBoost 或 BoT-SORT —— 前者面向遮挡优化MOT17 HOTA 71.10 居首后者深度特征恢复能力强相机/平台运动无人机、车载、手持 → BoT-SORT 或 StrongSORT —— CMC / ECC 相机运动补偿避免全局漂移打碎关联长时序、ID 稳定优先→ StrongSORT 或 DeepOcSort —— 长时缓冲加外观特征目标短暂丢失后易找回端侧/资源受限→ ByteTrack —— 纯几何关联无 ReID 推理开销最低还可切 C 原生后端进一步降延迟OBB 旋转框停车场、工业零件 → HybridSORT —— MMOT OBB 基准 54.64 HOTA 最佳3D/传感器融合→ EagerMot —— 需要 3D 检测与相机标定可在世界坐标下跟踪一行决策逻辑不用外观特征先上 bytetrack要用 ReID 看 botsort 家族有全帧掩码选 maf_hda有 3D 框上 eagermot。定完选型剩下的事就是拿自己的数据验证。️ 踩坑笔记与调优要点首帧慢ReID 模型加载是瓶颈。外观特征模型在 tracker 首次 update 时才懒加载权重首次使用还要现下载。在意首帧延迟的话先做模型预热或者预计算 embedding 直接传入项目支持附带特征以跳过逐帧推理。置信度阈值是个跷跷板降了框多ID 跳也变多。det_thresh 放低会提升召回但假框同时增多误关联的主要来源就在这。track_high_thresh、track_low_thresh、match_thresh 的调参区间都标在 botsort 配置里也可以直接让项目自带的 tune 工作流自动搜不用手动试。高分辨率多路流内存涨得快。走 CMC 或 ReID 的 tracker 都要持有真实图像像素高分辨率帧加全帧掩码是主要开销。务实的做法是降分辨率或换用不吃图像像素的纯几何关联 tracker质心 / IoU。各 tracker 的输入支持矩阵见 tracker 配置文档。 多目标跟踪适用场景安防回放与人流统计—— 高密度行人场景ID 稳定性直接决定统计和轨迹回放的可用性车载与自动驾驶—— EagerMot 的 3D 框 相机标定路径适配带激光雷达的感知栈体育赛事分析—— 高速运动加频繁遮挡项目有 SportsMOT 基准可直接对照边缘实时处理—— ByteTrack 叠加 C 原生后端端侧硬件开销低工业检测与 OBB—— 旋转框场景HybridSORT 在 OBB 基准上领先跟踪领域正从单算法比拼走向组件化组合与 C 原生加速YOLO 多目标跟踪部署在工程里已是标配。挑一个贴合自己业务的场景先用 5 分钟跑通最小示例再拿自己的数据对比 HOTA 和 IDF1 的差距比读十篇论文都直观。【免费下载链接】boxmotBoxMOT: Pluggable Python and C SOTA multi-object tracking modules with support for axis-aligned and oriented bounding boxes项目地址: https://gitcode.com/GitHub_Trending/bo/boxmot创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考