MaochengHu 576cda45b8 first commit		%!s(int64=2) %!d(string=hai) anos
..
bytetrack	576cda45b8 first commit	%!s(int64=2) %!d(string=hai) anos
deepsort	576cda45b8 first commit	%!s(int64=2) %!d(string=hai) anos
fairmot	576cda45b8 first commit	%!s(int64=2) %!d(string=hai) anos
headtracking21	576cda45b8 first commit	%!s(int64=2) %!d(string=hai) anos
jde	576cda45b8 first commit	%!s(int64=2) %!d(string=hai) anos
mcfairmot	576cda45b8 first commit	%!s(int64=2) %!d(string=hai) anos
mtmct	576cda45b8 first commit	%!s(int64=2) %!d(string=hai) anos
pedestrian	576cda45b8 first commit	%!s(int64=2) %!d(string=hai) anos
vehicle	576cda45b8 first commit	%!s(int64=2) %!d(string=hai) anos
README.md	576cda45b8 first commit	%!s(int64=2) %!d(string=hai) anos
README_en.md	576cda45b8 first commit	%!s(int64=2) %!d(string=hai) anos

简体中文 | English

多目标跟踪 (Multi-Object Tracking)

简介

当前主流的Tracking By Detecting方式的多目标追踪(Multi-Object Tracking, MOT)算法主要由两部分组成：Detection+Embedding。Detection部分即针对视频，检测出每一帧中的潜在目标。Embedding部分则将检出的目标分配和更新到已有的对应轨迹上(即ReID重识别任务)。根据这两部分实现的不同，又可以划分为SDE系列和JDE系列算法。

SDE(Separate Detection and Embedding)这类算法完全分离Detection和Embedding两个环节，最具代表性的就是DeepSORT算法。这样的设计可以使系统无差别的适配各类检测器，可以针对两个部分分别调优，但由于流程上是串联的导致速度慢耗时较长，在构建实时MOT系统中面临较大挑战。
JDE(Joint Detection and Embedding)这类算法完是在一个共享神经网络中同时学习Detection和Embedding，使用一个多任务学习的思路设置损失函数。代表性的算法有JDE和FairMOT。这样的设计兼顾精度和速度，可以实现高精度的实时多目标跟踪。

PaddleDetection实现了这两个系列的3种多目标跟踪算法，分别是SDE系列的DeepSORT和JDE系列的JDE与FairMOT。

PP-Tracking 实时多目标跟踪系统

此外，PaddleDetection还提供了PP-Tracking实时多目标跟踪系统。PP-Tracking是基于PaddlePaddle深度学习框架的业界首个开源的实时多目标跟踪系统，具有模型丰富、应用广泛和部署高效三大优势。 PP-Tracking支持单镜头跟踪(MOT)和跨镜头跟踪(MTMCT)两种模式，针对实际业务的难点和痛点，提供了行人跟踪、车辆跟踪、多类别跟踪、小目标跟踪、流量统计以及跨镜头跟踪等各种多目标跟踪功能和应用，部署方式支持API调用和GUI可视化界面，部署语言支持Python和C++，部署平台环境支持Linux、NVIDIA Jetson等。

AI Studio公开项目案例

PP-Tracking 提供了AI Studio公开项目案例，教程请参考PP-Tracking之手把手玩转多目标跟踪。

Python端预测部署

PP-Tracking 支持Python预测部署，教程请参考PP-Tracking Python部署文档。

C++端预测部署

PP-Tracking 支持C++预测部署，教程请参考PP-Tracking C++部署文档。

GUI可视化界面预测部署

PP-Tracking 提供了简洁的GUI可视化界面，教程请参考PP-Tracking可视化界面试用版使用文档。

视频来源：VisDrone和BDD100K公开数据集

安装依赖

一键安装MOT相关的依赖：

pip install lap sklearn motmetrics openpyxl
或者
pip install -r requirements.txt

注意：

预测需确保已安装ffmpeg, Linux(Ubuntu)平台可以直接用以下命令安装：apt-get update && apt-get install -y ffmpeg。

模型库

基础模型
- ByteTrack
- DeepSORT
- JDE
- FairMOT
特色垂类模型
多类别跟踪
- 多类别跟踪
跨境头跟踪
- 跨境头跟踪

数据集准备

MOT数据集

PaddleDetection复现JDE 和FairMOT，是使用的和他们相同的MIX数据集，包括Caltech Pedestrian, CityPersons, CUHK-SYSU, PRW, ETHZ, MOT17和MOT16。使用前6者作为联合数据集参与训练，MOT16作为评测数据集。如果您想使用这些数据集，请遵循他们的License。

注意：

多目标跟踪数据集一般是用于单类别的多目标跟踪，DeepSORT、JDE和FairMOT均为单类别跟踪模型，MIX数据集以及其子数据集也都是单类别的行人跟踪数据集，可认为相比于行人检测数据集多了id号的标注。
为了训练更多场景的垂类模型例如车辆等，垂类数据集也需要处理成与MIX数据集相同的格式，PaddleDetection也提供了车辆跟踪、人头跟踪以及更通用的行人跟踪的垂类数据集和模型。用户自定义数据集也可参照数据准备文档去准备。
多类别跟踪模型是MCFairMOT，多类别数据集是VisDrone数据集的整合版，可参照MCFairMOT的文档说明。
跨镜头跟踪模型，是选用的AIC21 MTMCT (CityFlow)车辆跨镜头跟踪数据集，数据集和模型可参照跨境头跟踪的文档说明。

数据集目录

首先按照以下命令下载image_lists.zip并解压放在PaddleDetection/dataset/mot目录下：

wget https://dataset.bj.bcebos.com/mot/image_lists.zip

然后按照以下命令可以快速下载MIX数据集的各个子数据集，并解压放在PaddleDetection/dataset/mot目录下：

wget https://dataset.bj.bcebos.com/mot/MOT17.zip
wget https://dataset.bj.bcebos.com/mot/Caltech.zip
wget https://dataset.bj.bcebos.com/mot/CUHKSYSU.zip
wget https://dataset.bj.bcebos.com/mot/PRW.zip
wget https://dataset.bj.bcebos.com/mot/Cityscapes.zip
wget https://dataset.bj.bcebos.com/mot/ETHZ.zip
wget https://dataset.bj.bcebos.com/mot/MOT16.zip

最终目录为：

dataset/mot
  |——————image_lists
            |——————caltech.10k.val  
            |——————caltech.all  
            |——————caltech.train  
            |——————caltech.val  
            |——————citypersons.train  
            |——————citypersons.val  
            |——————cuhksysu.train  
            |——————cuhksysu.val  
            |——————eth.train  
            |——————mot16.train  
            |——————mot17.train  
            |——————prw.train  
            |——————prw.val
  |——————Caltech
  |——————Cityscapes
  |——————CUHKSYSU
  |——————ETHZ
  |——————MOT16
  |——————MOT17
  |——————PRW

数据格式

这几个相关数据集都遵循以下结构：

MOT17
   |——————images
   |        └——————train
   |        └——————test
   └——————labels_with_ids
            └——————train

所有数据集的标注是以统一数据格式提供的。各个数据集中每张图片都有相应的标注文本。给定一个图像路径，可以通过将字符串images替换为labels_with_ids并将.jpg替换为.txt来生成标注文本路径。在标注文本中，每行都描述一个边界框，格式如下：

[class] [identity] [x_center] [y_center] [width] [height]

注意:

class为类别id，支持单类别和多类别，从0开始计，单类别即为0。
identity是从1到num_identities的整数(num_identities是数据集中所有视频或图片序列的不同物体实例的总数)，如果此框没有identity标注，则为-1。
[x_center] [y_center] [width] [height]是中心点坐标和宽高，注意他们的值是由图片的宽度/高度标准化的，因此它们是从0到1的浮点数。

引用

@inproceedings{Wojke2017simple,
  title={Simple Online and Realtime Tracking with a Deep Association Metric},
  author={Wojke, Nicolai and Bewley, Alex and Paulus, Dietrich},
  booktitle={2017 IEEE International Conference on Image Processing (ICIP)},
  year={2017},
  pages={3645--3649},
  organization={IEEE},
  doi={10.1109/ICIP.2017.8296962}
}

@inproceedings{Wojke2018deep,
  title={Deep Cosine Metric Learning for Person Re-identification},
  author={Wojke, Nicolai and Bewley, Alex},
  booktitle={2018 IEEE Winter Conference on Applications of Computer Vision (WACV)},
  year={2018},
  pages={748--756},
  organization={IEEE},
  doi={10.1109/WACV.2018.00087}
}

@article{wang2019towards,
  title={Towards Real-Time Multi-Object Tracking},
  author={Wang, Zhongdao and Zheng, Liang and Liu, Yixuan and Wang, Shengjin},
  journal={arXiv preprint arXiv:1909.12605},
  year={2019}
}

@article{zhang2020fair,
  title={FairMOT: On the Fairness of Detection and Re-Identification in Multiple Object Tracking},
  author={Zhang, Yifu and Wang, Chunyu and Wang, Xinggang and Zeng, Wenjun and Liu, Wenyu},
  journal={arXiv preprint arXiv:2004.01888},
  year={2020}
}

README.md