BoxMOT多目标追踪上手教程从安装到MOT17评估只需3步【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你手里有一路摄像头视频想给画面里每个行人标上稳定、不跳变的ID又不想自己搭一整套检测加关联的代码。多目标追踪Multi-Object TrackingMOT模块BoxMOT就是干这件事的它把检测、外观特征、追踪算法拆成可插拔组件一条命令跑完。一句话定位与核心卖点BoxMOT是一个支持AABB轴对齐框和OBB带角度的框多目标追踪的Python/C双实现工具箱提供CLI命令和Python API两种入口。内置11个追踪算法ByteTrack、BotSort、OcSort、StrongSort、HybridSort、BoostTrack、OccluBoost等--tracker参数一键切换检测结果和ReID外观嵌入以Parquet格式缓存换追踪器重新评估时无需重跑检测器C原生后端--tracker-backend cpp与Python路径指标一致面向生产部署track、materialize、eval、tune、train-reid、export全流程收敛在一个CLI里5分钟上手BoxMOT安装与第一次运行环境要求Python 3.10–3.13依赖自动带装PyTorch、OpenCV等。pip install boxmot boxmot --help第一次运行用摄像头跑一个带ReID外观模型的追踪boxmot track --detector yolo26n --reid lmbn_n_duke \ --tracker occluboost --source 0 --save --show预期输出弹出一个窗口画面中每个目标带编号框和轨迹线加--save后还会把标注视频写盘。如果要用YOLO检测器先执行boxmot install --extra yolo装Ultralytics依赖。它是怎么工作的输入是视频/图像流加一个检测器如YOLO。每一帧先由检测器产出一组边界框和置信度若追踪器需要外观线索ReID模型会同时算出每个目标的嵌入向量。追踪器内部用卡尔曼滤波预测目标运动再按几何重叠度IoU加外观相似度做匈牙利匹配把本帧检测分配给已有轨迹或新建轨迹。输出是带ID的轨迹结果——NumPy矩阵、MOT格式文本或标注视频取决于你的sink配置。核心能力清单追踪器实现与注册表11个算法平铺在 boxmot/trackers/每个算法带独立YAML配置C原生后端botsort/bytetrack/ocsort/occluboost/sfsort五个可编译源码在 boxmot/native/cpp/接入说明见 docs/native/index.mdReID模型库与导出osnet、lmbn等backbone在 boxmot/reid/支持ONNX、OpenVINO、TensorRT导出评估与调参eval在MOT17/SportsMOT/MMOT上算HOTA、MOTA、IDF1tune自动搜参见 docs/guides/evaluation.mdPython API组件与流水线可独立组合嵌入你自己的应用参考 docs/python/index.md实战演示用法一命令行最小闭环检测追踪落盘boxmot track --source video.mp4 \ --detector yolov8n --tracker bytetrack --save # 输出带ID标注的视频轨迹文件在runs/下用法二Python最小可用片段直接喂NumPy检测框不依赖检测器import numpy as np from boxmot import OccluBoost tracker OccluBoost() dets np.array([[100, 200, 300, 400, 0.9, 0]]) # x1,y1,x2,y2,置信度,类别 frame np.zeros((480, 640, 3), dtypenp.uint8) # BGR图像 tracks tracker.update(dets, frame) print(tracks[:, 4].astype(int)) # 打印轨迹ID需要OBB旋转框时构造追踪器加is_obbTrue检测框改成(cx, cy, w, h, angle, conf, cls)七列。选型与调参速查表你的场景推荐配置实时、轻量、只看运动bytetrack不挂ReID人员密集、ID一致性优先botsort osnet_x0_25类ReID模型外观线索强、遮挡多strongsort强制需要ReID和像素标准数据集刷分occluboostMOT17 ablation HOTA 71.10航拍等倾斜目标hybridsort或ocsort配--geometry obb生产环境C部署上述任一 --tracker-backend cppMOT17 ablation官方基准Python括号内为C追踪器HOTAMOTAIDF1occluboost71.1078.5085.28botsort69.6878.2382.33boosttrack69.2575.9183.20bytetrack67.6878.0479.16避坑与新手FAQ报缺少yolo依赖YOLO检测走的是Ultralytics后端需boxmot install --extra yolo不是pip主包自带StrongSort只喂缓存嵌入不行它的ECC相机运动补偿必须读图像像素每帧要传frameC后端首次使用要现场编译装好C17编译器、CMake 3.16、OpenCV 4.x、Eigen3再跑boxmot buildOBB模式不生效检测器与追踪器必须都声明OBB缺--geometry obb会直接报校验错误换追踪器评估很慢先boxmot materialize生成缓存build后续eval --build BUILD_ID复用同一份检测延伸资源官方文档架构分层与全部模式入口安装指南CPU/CUDA选型、Docker镜像、依赖分组追踪器总览各算法输入要求矩阵Python APIFrame、Detections、Tracks等结构参考示例笔记本检测、姿态、分割三类追踪演示挑一条boxmot track --help里看得懂的参数组合对着自己的视频先跑通再回来查上表换算法对比HOTA就是最快的上手路径。【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