BoxMOT 多目标追踪上手指南从安装到追踪器选型【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模块接在检测、分割、姿态模型之后。它支持 AABB 与 OBB 两种几何框跑通后能拿到追踪视频、MOT 数据集指标以及可复用的检测与外观嵌入数据。项目定位追踪层接在哪BoxMOT 不做检测它位于“任意输出边界框的模型”与“最终轨迹结果”之间模型负责每帧的框和分数追踪器负责跨帧分配稳定的 ID。检测器、分割器、ReID 外观模型、追踪器四个组件都可独立替换按需组合实现集中在 boxmot/trackers/。安装与环境要求Python 3.10–3.13pip install boxmot boxmot --help默认安装使用 PyPI 的标准 PyTorch 构建纯 CPU 或指定 CUDA 版本可在 安装文档 中选择cpu/cu130配置YOLO 后端、ONNX/OpenVINO/TFLite 等按场景加装 extras。遇到 torch 版本不匹配时先核对该文档中的配置项。三步看到追踪效果按上一步安装确认boxmot --help能列出 12 个子命令指定输入源0为摄像头也可传视频文件、目录、URL选择检测器与追踪器运行--save输出标注视频。boxmot track --detector yolo26n --reid lmbn_n_duke --tracker occluboost \ --source 0 --save --show这条命令走完“检测→追踪→渲染”全链路--detector、--reid、--tracker分别选模型与算法换追踪器只改一个参数名。若要写进自己的代码Python API 同样只有初始化与主循环两步import numpy as np from boxmot import OccluBoost tracker OccluBoost() # OBB 场景用 OccluBoost(is_obbTrue) tracks tracker.update(dets, frame) # dets: (x1, y1, x2, y2, score, class) print(tracks[:, 4].astype(int)) # 第 4 列为轨迹 ID核心在update传入 NumPy 检测与当前帧即可frame供需要外观特征的追踪器使用。常用操作速查表操作参数/命令用途指定输入源--source 0/--source vid.mp4/--source path/摄像头、视频文件、图像、目录、URL切换追踪算法--tracker botsort共 11 种boosttrack、botsort、bytetrack、ocsort、strongsort 等切换检测器--detector yolov8n检测器 profile、YAML 配置或权重路径切换 ReID 模型--reid osnet_x0_25_msmt17外观特征供融合外观的追踪器使用过滤类别--classes 0,1只追踪指定类别索引AABB/OBB 切换--geometry obb默认正交框obb 为有向框设备与精度--device 0 --half选择 GPUFP16 加速外观推理C 后端--tracker-backend cppbotsort、bytetrack、occluboost、ocsort、sfsort 的本地实现性能评估boxmot eval --dataset mot17 --split ablation --tracker botsort输出 HOTA/MOTA/IDF1超参数调优boxmot tune ... --n-trials 10进化搜索最优参数设计亮点可复用的感知数据。materialize把检测器与 ReID 输出变成不可变、按 key 索引的 Parquet 构建同一份数据供多个追踪器评估与调参共享避免重复跑检测见 boxmot/engine/materialization/。AABB 与 OBB 同一条流水线。追踪器与 C 后端对两种几何框统一支持--geometry obb一键切换--asso-func可选 ciou、hmiou 等关联度量。C 实现与 Python 指标对齐。--tracker-backend cpp运行时切换boxmot/native/cpp/ 还可通过 CMake 嵌入独立 C 工程。MOT17 基准与追踪器选型MOT17 ablation 分割的公开数字Python 结果OBB 列表示支持有向框TrackerHOTA↑MOTA↑IDF1↑OBBoccluboost71.1078.5085.28✅botsort69.6878.2382.33✅boosttrack69.2575.9183.20✅strongsort68.0576.1980.76✅deepocsort67.9575.8380.54✅bytetrack67.6878.0479.16✅hybridsort67.3174.0978.87✅ocsort66.4474.5577.90✅sfsort62.6576.8769.18✅选型建议追求综合指标选 occluboost资源受限的实时场景选纯运动的 bytetrackbotsort、strongsort、deepocsort 依赖外观特征在拥挤、遮挡场景中 ID 一致性更稳OBB 场景 hybridsort 的 OBB HOTA 最高54.64。进阶评估、调参与导出boxmot eval --dataset mot17 --split ablation --detector yolox-x-mot17 --reid lmbn-n-duke --tracker botsort boxmot tune --experiment mot17/ablation-yolox-lmbn.yaml --tracker deepocsort --n-trials 10 boxmot export --weights osnet_x0_25_msmt17.pt --include onnx --include engine --device cuda:0 --dynamiceval 也可用--experiment加已物化的 build 直接回放tune 在既有检测数据上执行进化搜索最优参数写回 追踪器配置export 支持 ONNX、TensorRT、OpenVINO、TFLite 等格式。资源导航官方文档入口docs/index.md安装配置installation.mdPython API 参考docs/python/index.md追踪器实现与配置boxmot/trackers/、boxmot/configs/trackers/数据集与实验配置boxmot/configs/datasets/、boxmot/configs/experiments/示例笔记本examples/det/、examples/seg/、examples/pose/贡献指南CONTRIBUTING.md【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 多目标追踪上手指南：从安装到追踪器选型
BoxMOT 多目标追踪上手指南从安装到追踪器选型【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模块接在检测、分割、姿态模型之后。它支持 AABB 与 OBB 两种几何框跑通后能拿到追踪视频、MOT 数据集指标以及可复用的检测与外观嵌入数据。项目定位追踪层接在哪BoxMOT 不做检测它位于“任意输出边界框的模型”与“最终轨迹结果”之间模型负责每帧的框和分数追踪器负责跨帧分配稳定的 ID。检测器、分割器、ReID 外观模型、追踪器四个组件都可独立替换按需组合实现集中在 boxmot/trackers/。安装与环境要求Python 3.10–3.13pip install boxmot boxmot --help默认安装使用 PyPI 的标准 PyTorch 构建纯 CPU 或指定 CUDA 版本可在 安装文档 中选择cpu/cu130配置YOLO 后端、ONNX/OpenVINO/TFLite 等按场景加装 extras。遇到 torch 版本不匹配时先核对该文档中的配置项。三步看到追踪效果按上一步安装确认boxmot --help能列出 12 个子命令指定输入源0为摄像头也可传视频文件、目录、URL选择检测器与追踪器运行--save输出标注视频。boxmot track --detector yolo26n --reid lmbn_n_duke --tracker occluboost \ --source 0 --save --show这条命令走完“检测→追踪→渲染”全链路--detector、--reid、--tracker分别选模型与算法换追踪器只改一个参数名。若要写进自己的代码Python API 同样只有初始化与主循环两步import numpy as np from boxmot import OccluBoost tracker OccluBoost() # OBB 场景用 OccluBoost(is_obbTrue) tracks tracker.update(dets, frame) # dets: (x1, y1, x2, y2, score, class) print(tracks[:, 4].astype(int)) # 第 4 列为轨迹 ID核心在update传入 NumPy 检测与当前帧即可frame供需要外观特征的追踪器使用。常用操作速查表操作参数/命令用途指定输入源--source 0/--source vid.mp4/--source path/摄像头、视频文件、图像、目录、URL切换追踪算法--tracker botsort共 11 种boosttrack、botsort、bytetrack、ocsort、strongsort 等切换检测器--detector yolov8n检测器 profile、YAML 配置或权重路径切换 ReID 模型--reid osnet_x0_25_msmt17外观特征供融合外观的追踪器使用过滤类别--classes 0,1只追踪指定类别索引AABB/OBB 切换--geometry obb默认正交框obb 为有向框设备与精度--device 0 --half选择 GPUFP16 加速外观推理C 后端--tracker-backend cppbotsort、bytetrack、occluboost、ocsort、sfsort 的本地实现性能评估boxmot eval --dataset mot17 --split ablation --tracker botsort输出 HOTA/MOTA/IDF1超参数调优boxmot tune ... --n-trials 10进化搜索最优参数设计亮点可复用的感知数据。materialize把检测器与 ReID 输出变成不可变、按 key 索引的 Parquet 构建同一份数据供多个追踪器评估与调参共享避免重复跑检测见 boxmot/engine/materialization/。AABB 与 OBB 同一条流水线。追踪器与 C 后端对两种几何框统一支持--geometry obb一键切换--asso-func可选 ciou、hmiou 等关联度量。C 实现与 Python 指标对齐。--tracker-backend cpp运行时切换boxmot/native/cpp/ 还可通过 CMake 嵌入独立 C 工程。MOT17 基准与追踪器选型MOT17 ablation 分割的公开数字Python 结果OBB 列表示支持有向框TrackerHOTA↑MOTA↑IDF1↑OBBoccluboost71.1078.5085.28✅botsort69.6878.2382.33✅boosttrack69.2575.9183.20✅strongsort68.0576.1980.76✅deepocsort67.9575.8380.54✅bytetrack67.6878.0479.16✅hybridsort67.3174.0978.87✅ocsort66.4474.5577.90✅sfsort62.6576.8769.18✅选型建议追求综合指标选 occluboost资源受限的实时场景选纯运动的 bytetrackbotsort、strongsort、deepocsort 依赖外观特征在拥挤、遮挡场景中 ID 一致性更稳OBB 场景 hybridsort 的 OBB HOTA 最高54.64。进阶评估、调参与导出boxmot eval --dataset mot17 --split ablation --detector yolox-x-mot17 --reid lmbn-n-duke --tracker botsort boxmot tune --experiment mot17/ablation-yolox-lmbn.yaml --tracker deepocsort --n-trials 10 boxmot export --weights osnet_x0_25_msmt17.pt --include onnx --include engine --device cuda:0 --dynamiceval 也可用--experiment加已物化的 build 直接回放tune 在既有检测数据上执行进化搜索最优参数写回 追踪器配置export 支持 ONNX、TensorRT、OpenVINO、TFLite 等格式。资源导航官方文档入口docs/index.md安装配置installation.mdPython API 参考docs/python/index.md追踪器实现与配置boxmot/trackers/、boxmot/configs/trackers/数据集与实验配置boxmot/configs/datasets/、boxmot/configs/experiments/示例笔记本examples/det/、examples/seg/、examples/pose/贡献指南CONTRIBUTING.md【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
