3 分钟上手 BoxMOT给任意检测模型装上多目标追踪的开源方案【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/boxmotBoxMOT 是一个插件式多目标追踪MOT工具包把 ByteTrack、BoT-SORT、DeepOcSORT 等主流追踪器做成了可插拔模块。你的检测、分割或姿态模型只要输出边界框就能立刻接上追踪获得稳定的目标 ID。它同时支持 Python 与 C 双实现覆盖 MOT17、MOT20、DanceTrack 等基准的本地评估适合想快速验证追踪效果的新手和研究团队。 安装依赖与快速开始环境要求很简单Python 3.10 ~ 3.13一条命令装完所有依赖pip install boxmot装好后用这条最简命令打开摄像头做实时追踪几秒钟就能看到带 ID 的框boxmot track --source 0 --detector yolo26n --reid lmbn_n_duke --tracker occluboost --show如果你更喜欢从源码开始方便贡献或定制可以克隆仓库git clone https://gitcode.com/GitHub_Trending/bo/boxmot跑通第一条命令后boxmot --help里的每个子命令都值得点开看一眼track、eval、tune、export、materialize 都围绕同一套组件体系设计互相之间可以复用检测结果。 追踪器性能对比与选型建议仓库在 MOT17 ablation、SportsMOT、MMOT OBB 三个基准上给出了各追踪器的实测指标括号为 C 后端的分数整理如下TrackerMOT17 HOTAMOT17 MOTAMOT17 IDF1外观嵌入支持适合场景occluboost71.1078.5085.28可选追求最高精度GPU 资源充足botsort69.6878.2382.33可选通用首选精度与工程成熟度均衡boosttrack69.2575.9183.20可选遮挡复杂场景ID 保持能力强strongsort68.0576.1980.76必须有 ReID 模型时想验证经典方案deepocsort67.9575.8380.54可选遮挡处理DeepSORT 的增强路线bytetrack67.6878.0479.16不需要纯 CPU、追求极致帧率ocsort66.4474.5577.90不需要轻量基线快速对比参考选型上可以这样简化要精度直接用 occluboost 或 botsort前者 MOT17 三项指标都是第一。要速度bytetrack 和 ocsort 不依赖外观嵌入纯运动关联在 CPU 上也能跑出很高 FPS。ID 频繁切换boosttrack 的 IDF1 很高适合目标互相遮挡频繁的监控、赛事画面。每个追踪器的参数说明都在 docs/trackers/ 目录下想深入某一种算法时按名找对应文档即可。️ 常用场景实操实时追踪摄像头或视频track子命令是日常用得最多的入口--source支持摄像头编号、视频文件、图片、目录或 URLboxmot track --source video.mp4 --detector yolov8n \ --reid osnet_x0_25_msmt17 --tracker botsort --save--save会把结果视频写到 runs 目录--device cuda:0可指定 GPU。效果评估eval负责在标准数据集上打分。比如复现 MOT17 ablation 分割上的 botsort 结果boxmot eval --dataset mot17 --split ablation \ --detector yolox-x-mot17 --reid lmbn-n-duke --tracker botsort也有仓库自带的迷你数据集可以直接跑通流程数据在 assets/ 目录下例如 MOT17-mini。检测结果和外观嵌入会缓存下来之后换追踪器评估时无需重复推理。超参调优追踪器的 IoU 阈值、最大缺失帧数等参数对最终指标影响不小。tune子命令用多目标进化算法自动搜索把最优组合写回配置文件boxmot tune --dataset mot17 --split ablation \ --detector yolox-x-mot17 --reid lmbn-n-duke --tracker botsort --n-trials 200导出 ReID 模型需要部署到边缘设备时可以把 ReID 权重导出成 ONNX、OpenVINO 或 TensorRT 格式boxmot export --weights osnet_x0_25_msmt17.pt --include onnx --device cpu 资源与延伸阅读官方文档入口docs/index.md按模式组织的命令手册在 docs/modes/各追踪器原理与参数详解docs/trackers/追踪器实现源码boxmot/trackers/公共基础设施在common/子目录数据集配置MOT17/MOT20/DanceTrack/SportsMOT 等boxmot/configs/datasets/示例笔记本Torchvision 检测追踪在 examples/det/torchvision_boxmot.ipynb姿态与分割追踪同理放在 examples 对应子目录贡献与测试流程CONTRIBUTING.md跑通第一条boxmot track命令之后建议先拿迷你数据集做一次eval建立对 HOTA、MOTA、IDF1 三个指标的直观感受再去调参效率会高很多。【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 3 分钟上手 BoxMOT：给任意检测模型装上多目标追踪的开源方案
3 分钟上手 BoxMOT给任意检测模型装上多目标追踪的开源方案【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/boxmotBoxMOT 是一个插件式多目标追踪MOT工具包把 ByteTrack、BoT-SORT、DeepOcSORT 等主流追踪器做成了可插拔模块。你的检测、分割或姿态模型只要输出边界框就能立刻接上追踪获得稳定的目标 ID。它同时支持 Python 与 C 双实现覆盖 MOT17、MOT20、DanceTrack 等基准的本地评估适合想快速验证追踪效果的新手和研究团队。 安装依赖与快速开始环境要求很简单Python 3.10 ~ 3.13一条命令装完所有依赖pip install boxmot装好后用这条最简命令打开摄像头做实时追踪几秒钟就能看到带 ID 的框boxmot track --source 0 --detector yolo26n --reid lmbn_n_duke --tracker occluboost --show如果你更喜欢从源码开始方便贡献或定制可以克隆仓库git clone https://gitcode.com/GitHub_Trending/bo/boxmot跑通第一条命令后boxmot --help里的每个子命令都值得点开看一眼track、eval、tune、export、materialize 都围绕同一套组件体系设计互相之间可以复用检测结果。 追踪器性能对比与选型建议仓库在 MOT17 ablation、SportsMOT、MMOT OBB 三个基准上给出了各追踪器的实测指标括号为 C 后端的分数整理如下TrackerMOT17 HOTAMOT17 MOTAMOT17 IDF1外观嵌入支持适合场景occluboost71.1078.5085.28可选追求最高精度GPU 资源充足botsort69.6878.2382.33可选通用首选精度与工程成熟度均衡boosttrack69.2575.9183.20可选遮挡复杂场景ID 保持能力强strongsort68.0576.1980.76必须有 ReID 模型时想验证经典方案deepocsort67.9575.8380.54可选遮挡处理DeepSORT 的增强路线bytetrack67.6878.0479.16不需要纯 CPU、追求极致帧率ocsort66.4474.5577.90不需要轻量基线快速对比参考选型上可以这样简化要精度直接用 occluboost 或 botsort前者 MOT17 三项指标都是第一。要速度bytetrack 和 ocsort 不依赖外观嵌入纯运动关联在 CPU 上也能跑出很高 FPS。ID 频繁切换boosttrack 的 IDF1 很高适合目标互相遮挡频繁的监控、赛事画面。每个追踪器的参数说明都在 docs/trackers/ 目录下想深入某一种算法时按名找对应文档即可。️ 常用场景实操实时追踪摄像头或视频track子命令是日常用得最多的入口--source支持摄像头编号、视频文件、图片、目录或 URLboxmot track --source video.mp4 --detector yolov8n \ --reid osnet_x0_25_msmt17 --tracker botsort --save--save会把结果视频写到 runs 目录--device cuda:0可指定 GPU。效果评估eval负责在标准数据集上打分。比如复现 MOT17 ablation 分割上的 botsort 结果boxmot eval --dataset mot17 --split ablation \ --detector yolox-x-mot17 --reid lmbn-n-duke --tracker botsort也有仓库自带的迷你数据集可以直接跑通流程数据在 assets/ 目录下例如 MOT17-mini。检测结果和外观嵌入会缓存下来之后换追踪器评估时无需重复推理。超参调优追踪器的 IoU 阈值、最大缺失帧数等参数对最终指标影响不小。tune子命令用多目标进化算法自动搜索把最优组合写回配置文件boxmot tune --dataset mot17 --split ablation \ --detector yolox-x-mot17 --reid lmbn-n-duke --tracker botsort --n-trials 200导出 ReID 模型需要部署到边缘设备时可以把 ReID 权重导出成 ONNX、OpenVINO 或 TensorRT 格式boxmot export --weights osnet_x0_25_msmt17.pt --include onnx --device cpu 资源与延伸阅读官方文档入口docs/index.md按模式组织的命令手册在 docs/modes/各追踪器原理与参数详解docs/trackers/追踪器实现源码boxmot/trackers/公共基础设施在common/子目录数据集配置MOT17/MOT20/DanceTrack/SportsMOT 等boxmot/configs/datasets/示例笔记本Torchvision 检测追踪在 examples/det/torchvision_boxmot.ipynb姿态与分割追踪同理放在 examples 对应子目录贡献与测试流程CONTRIBUTING.md跑通第一条boxmot track命令之后建议先拿迷你数据集做一次eval建立对 HOTA、MOTA、IDF1 三个指标的直观感受再去调参效率会高很多。【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