mikel-brostrom/boxmot

BoxMOT – 可插拔多目标跟踪库

简介 BoxMOT 是一个 Python（以及可选的 C++）库，允许你在任何目标检测器之上构建、运行和评估多目标跟踪器（MOT）。它提供简洁、模块化的 API，其中四个主要部分——检测器、分割掩码、外观编码器（Re‑ID）和跟踪器——可以独立替换。该库附带用于常见工作流（跟踪、评估、调参、数据集生成等）的命令行界面（CLI）以及用于在代码中集成跟踪器的 Python API。

主要特性

特性	重要性
统一 CLI	单一入口点（boxmot）涵盖跟踪、评估、超参数调优、Re‑ID 训练、数据集导出等功能，减少了拼接单独工具的需求。
可插拔组件	检测器（例如 YOLO 变体）、分割器、Re‑ID 编码器和跟踪器可通过简单标志自由组合，实现快速实验。
AABB 和 OBB 支持	处理轴对齐边界框（AABB）和旋转边界框（OBB），适用于物体旋转的航拍或体育视频。
原生 C++ 后端	可选的高性能 C++ 实现（--tracker-backend cpp）可使用，并通过 CMake 集成到其他 C++ 项目中。
不可变 Parquet 构建	检测、掩码和嵌入存储在带键的 Parquet 文件中，使数据集可复现并跨实验复用。
广泛的基准表	README 中列出了许多内置跟踪器（例如 occluboost、botsort、bytetrack）在 MOT17、SportsMOT 和 MMOT OBB 数据集上的 HOTA、MOTA 和 IDF1 分数。
Python API	示例展示了创建跟踪器（OccluBoost）并输入 NumPy 检测结果和 BGR 帧以获取跟踪 ID，支持可选的 OBB 模式。
安装	pip install boxmot 适用于 Python 3.10‑3.13；提供额外配置文件（yolo、service、onnx 等）用于 GPU 或 CPU 构建。
社区与支持	Discord、GitHub Discussions，以及为非营利保护项目提供有限的免费咨询。

典型用法

# 使用 YOLO‑v2 检测器、Re‑ID 模型和 OccluBoost 跟踪器从网络摄像头跟踪
boxmot track \
  --detector yolo26n \
  --reid lmbn_n_duke \
  --tracker occluboost \
  --source 0 --save --show

from boxmot import OccluBoost
import numpy as np

tracker = OccluBoost()
# 检测: [x1, y1, x2, y2, confidence, class_id]
dets = np.array([[100,200,300,400,0.9,0]])
frame = np.zeros((480,640,3), dtype=np.uint8)  # 虚拟 BGR 图像
tracks = tracker.update(dets, frame)
print(tracks[:,4].astype(int))   # 跟踪 ID

适用人群

• 需要可复现流程来原型制作新 MOT 算法的研究人员。
• 需要快速 C++ 后端部署实时跟踪（例如野生动物监测、体育分析）的实践者。
• 需要在标准 MOT 基准上评估多个跟踪器的统一接口的任何人。

了解更多

• 完整文档：docs/（安装、模式、API 参考、跟踪器列表）。
• 基准结果和实验指南见 README 表格和 docs/guides/。
• 通过 Discord 或 GitHub Discussions 获取社区帮助。