BoxMOT 指南7 种多目标跟踪算法三步跑起来【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做多目标跟踪的人多半踩过同一个坑ByteTrack 在人流密集的画面里 ID 跳得厉害想换 BoT-SORT 对比一下结果得换仓库、重装环境、重新调参新仓库的 API 又得从头熟悉一遍。BoxMOT 就是冲着这件事来的一个多目标跟踪工具包把 7 种主流跟踪算法放在同一套代码和同一组参数里换算法只改一个选项横向框和旋转框两种检测框都支持。它面向的是想快速把跟踪跑起来、再动手调参的开发者。 BoxMOT 支持的跟踪算法一张表看懂算法核心思路适合什么场景ByteTrack不轻易丢掉低置信度检测用第二遍关联找回被遮挡的目标开销很小检测器质量不错时想要快速而稳的基线OCSORT用检测观察重建虚拟轨迹抑制卡尔曼滤波在遮挡和非线性运动下的误差累积卡尔曼滤波可以理解为一种按运动规律预测目标位置的滤波器比纯运动关联更抗遮挡的快速跟踪BoT-SORT在 ByteTrack 基础上加入外观特征与相机运动补偿目标互相遮挡、镜头本身在移动的画面StrongSORT强化 DeepSORT 的路线更好的外观匹配、相机补偿和轻量后处理行人这类以外观匹配为主的跟踪DeepOCSORT在 OCSORT 的运动关联上自适应地引入外观只在真正需要时才靠它遮挡之后仍偶发 ID 跳变的场景HybridSORT在外观之外补充速度方向、置信度等便宜但有用的弱线索拥挤场景下需要更多关联依据BoostTrack用历史轨迹线索提升可信的低置信度检测找回被漏掉的真实目标低置信度真检测经常被丢弃的问题简单说检测器够用、追求速度先从 ByteTrack 开始如果遮挡严重、ID 老跳再换 BoT-SORT 或 DeepOCSORT 这类用上外观特征的算法。 三步跑起第一个多目标跟踪任务① 获取代码git clone https://gitcode.com/GitHub_Trending/bo/boxmot② 安装依赖源码方式安装需二选一指定 PyTorch 版本yolo会装好 Ultralytics、YOLOX 等检测器后端要求 Python 3.10–3.13cd boxmot uv sync --extra cpu --extra yolo不想用 uv 的话也可以直接pip install boxmot装现成包。③ 启动跟踪官方示例检测器 yolo26n跟踪器 occluboost画面来自本机摄像头--save --show会保存并实时显示结果uv run boxmot track --detector yolo26n --reid lmbn_n_duke \ --tracker occluboost --source 0 --save --show 它能落地到哪些场景安防监控人员穿过盲区再出现时保持同一个 ID回放时按人而不是按框找轨迹。自动驾驶对周围车辆和行人做稳定跟踪为后续轨迹预测提供连续输入。体育分析足球、篮球这种高速对抗画面里维持运动员 ID 稳定方便复盘单个球员的跑位。人流统计把混在一起的人群拆成独立 ID计数才不会被来回交叉干扰。工业检测流水线上工件移动时保持跟踪位置稳定前后帧的结果才能对上。 想深入配置与调优入口boxmot/configs/trackers/每种算法一份 YAML关联阈值、运动模型这些参数都在这里调换跟踪器时改的是同一套入口。boxmot/configs/detectors/预置的检测器配置如 yolo26n、yolox-x-mot17需要换前端时从这选。每个算法的适用条件和依赖要求可以在 docs/trackers/ 里逐个查到。BoxMOT 的价值不在于某一个算法有多强而在于把多试几种算法变成改一行配置的事。建议先翻一遍仓库文档熟悉各模式再拿自己的视频对照上面的入口做两三组算法对比很快就能定下适合自己的那一个。【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