BoxMOT 多目标跟踪部署完整指南CPU、GPU 到 C 原生11 种跟踪器如何选【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是一个检测器无关的多目标跟踪MOT工具包它把 YOLO 等任意模型的检测输出交给可插拔的跟踪器稳定地给出每个目标的持续 ID。它同时提供 Python 与 C 两条实现路径支持水平框AABB和旋转框OBB两种几何内置 11 种主流跟踪算法ByteTrack、BoT-SORT、StrongSORT、DeepOCSort、OccluBoost 等并覆盖从实时跟踪、数据集评测、参数调优到 ReID 模型训练的完整工作流。下面从安装、设备选择、算法挑选到生产部署一步步带你把它用起来。一、先看懂架构为什么说 BoxMOT 是可插拔的跟踪框架BoxMOT 的设计原则是组件独立、按需组合依赖方向是单向的structures - domain components - pipelines - engine检测器detectors任意模型都可以接入内置 YOLO 系列、YOLOX、RT-DETR 等后端分割器segmentors如 EdgeTAM可为检测框生成实例掩码外观编码器reidOSNet、LMBN 等 ReID 模型为跟踪器提供外观特征跟踪器trackers每个算法一个独立目录互不干扰可随时替换。这种结构带来的直接好处是你想换检测模型、换 ReID 权重、换跟踪算法都只改一个参数其他部分不用动。跟踪器源码位于 boxmot/trackers/配置模板集中在 boxmot/configs/trackers/。二、三步完成安装从 pip 一行命令到 GPU 环境BoxMOT 支持 Python3.10到3.13最简安装只需要两行pip install boxmot # 安装 CLI、Python API、全部跟踪器和核心 ReID 组件 boxmot --help # 验证安装成功如果你的项目要跑检测器还可以追加对应的功能包例如boxmot install --extra yolo会装上 Ultralytics 和 YOLOX。如果你需要锁定 CPU 或 CUDA 环境源码方式可以选择互斥的cpu或cu130两套 PyTorch profile。部署上更省事的选择是官方 Docker 镜像它一次给出了四种生产目标工作负载构建目标镜像标签完整 CUDA CLIcli-gpuboxmot/boxmot:24.0.0完整 CPU CLIcli-cpuboxmot/boxmot:24.0.0-cpuCPU 跟踪服务service-cpuboxmot/boxmot-service:24.0.0CUDA/ReID 跟踪服务service-gpuboxmot/boxmot-service:24.0.0-gpuCPU 镜像不含任何 CUDA 运行时可以直接跑在无显卡的服务器上GPU 镜像内置锁定的 CUDA 13.0 Torch 轮子需要宿主机有兼容的 NVIDIA 驱动。镜像细节和挂载方式见 docker/README.md 与安装文档。三、一条命令开始跟踪track 命令与 CPU/GPU 设备选择装好之后最常用的是track模式。以用 YOLO 检测 BoT-SORT 跟踪一个视频为例boxmot track \ --source video.mp4 \ --detector yolov8n \ --reid osnet_x0_25_msmt17 \ --tracker botsort \ --save这条命令的白话解释是从video.mp4读帧用 yolov8n 检测目标用 osnet_x0_25_msmt17 提取外观特征交给 botsort 分配 ID最后把带框 ID 的视频存下来。几个高频选项值得知道--source可以是视频文件、图片目录、摄像头编号如0或 URL 流--device指定执行设备。--device cpu跑 CPU--device mps跑 Apple 芯片--device cuda:0或0跑第一块 GPU。跟踪、物化、ReID 推理、导出共用这一套选择器且会先校验设备可用性再加载模型--show实时预览--save保存标注视频--geometry aabb|obb切换水平框/旋转框。做航拍等俯视场景时配--geometry obb加一个 OBB 检测器如yolo11n-obb.pt即可OBB 角度以弧度为单位且在时间上保持连续。设备怎么选经验法则是ByteTrack、OcSort 这类纯运动跟踪器不消费图像像素在 CPU 上就很轻松适合低帧率流和成本敏感的边缘场景而 StrongSORT需要 ECC 像素特征、BoT-SORT 等依赖 ReID 的算法把检测、ReID 都放到 GPU 上收益最大。官方对每种工作负载的 extras 组合yolo、evolve、service、onnx、openvino、tflite等都有表格说明见安装指南。四、11 种跟踪器怎么挑一张表定去留BoxMOT 的跟踪器分三类纯运动只看框和运动模型、运动外观可选 ReID 特征、多模态掩码或 3D 传感器是核心输入。项目内置 11 个能力矩阵如下跟踪器类型AABB/OBB是否需要图像像素典型场景ByteTrack纯运动都支持否快速基线、CPU 部署OcSort纯运动都支持否低资源实时场景SFSORT纯运动都支持否需尺寸尺寸先验可用的场景BoT-SORT外观可选都支持CMC/ReID 需要通用首选、遮挡较多StrongSORT外观必需都支持需要ECC重外观、重一致性DeepOcSort外观可选都支持ReID 需要深度外观特征HybridSort外观可选都支持ReID 需要综合均衡型BoostTrack外观可选都支持ReID 需要高精度需求OccluBoost外观可选都支持ReID 需要当前 MOT17 榜单最强MafHda掩码多模态仅 AABB需要默认外观级联有全帧实例掩码的 MOTS 任务EagerMot2D/3D 融合仅 AABB需要 3D 检测相机标定KITTI 类传感器融合选择建议非常直接想要一个快的基线→bytetrack不碰图像像素CPU 友好遮挡多、要求 ID 一致→botsort、strongsort、deepocsort、hybridsort、boosttrack、occluboost任选按基准成绩和算力预算挑有 3D 检测和标定→ 走 Python 的eagermot有全帧掩码→maf_hda。完整的能力矩阵和每个跟踪器的输入要求embedding、掩码、3D 框、标定等在跟踪器总览里都有逐行说明。五、性能基准MOT17 官方消融组的真实成绩项目 README 内置了统一的基准测试MOT17 ablation、SportsMOT val、MMOT OBB test 三组核心指标 HOTA 越高越好。摘选 MOT17 组的成绩跟踪器HOTAMOTAIDF1occluboost71.1078.5085.28botsort69.6878.2382.33boosttrack69.2575.9183.20strongsort68.0576.1980.76deepocsort67.9575.8380.54bytetrack67.6878.0479.16hybridsort67.3174.0978.87ocsort66.4474.5577.90sfsort62.6576.8769.18可以看到纯运动的 bytetrack/ocsort 靠速度取胜无像素依赖而引入外观特征的 occluboost、botsort 在 HOTA/IDF1 上明显领先——IDF1 衡量身份一致性这正是ID 不跳的关键指标。括号内为对应 C 原生实现的同口径成绩两条路径指标一致方便你按性能需求切换实现语言。六、嵌入自己的项目Python API 最小示例不想走 CLI也可以把组件直接嵌进应用。最典型的用法是NumPy 检测框直接进、跟踪 ID 直接出import numpy as np from boxmot import OccluBoost tracker OccluBoost() # 默认 CPU构造即用 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)) # 输出的跟踪 ID 列白话解释update每帧调一次传入检测框矩阵和当前帧图像返回每个目标的跟踪 ID第 5 列就是你要的 ID。要 OBB 则把is_obbTrue检测框换成(cx, cy, w, h, angle, 置信度, 类别)七元组即可。更结构化的方式是create_tracker(TrackerSpec(...))工厂可以显式指定后端backendcpp和几何geometryobb并随时查看tracker.capabilities与tracker.requirements确认它需要什么输入。完整 API 参考见 docs/python/high-level.md。七、生产部署的两个进阶选项C 原生后端与 HTTP 跟踪服务1. C 原生后端--tracker-backend cppByteTrack、BoT-SORT、OcSort、OccluBoost、SFSORT 五个跟踪器都有 C 实现与 Python 路径指标一致。首次选择 cpp 后端时会按需编译需要 C17、CMake 3.16、OpenCV 4.x、Eigen3也可以提前用boxmot build统一编译。C 源码位于 boxmot/native/cpp/如果你想把跟踪器直接嵌进独立的 C 工程CMake 集成文档在 docs/native/index.mdboxmot track --detector yolov8n --tracker bytetrack --tracker-backend cpp --source video.mp42. HTTP 跟踪服务boxmot-service如果你的检测由另一个服务完成只要把检测结果 POST 给 BoxMOT 服务即可。CPU 镜像支持无像素的 ByteTrack/OcSort/SFSORTGPU 镜像默认 BoT-SORT并支持 StrongSort、DeepOcSort、HybridSort、BoostTrack、OccluBoost 等 ReID 增强跟踪器服务自带健康检查与 OpenAPI 文档页。请求协议与扩缩容模型见部署指南。八、常用配置与文档导航你想找什么去哪里跟踪器 YAML调参范围、组件预设boxmot/configs/trackers/数据集配置mot17、mot20、kitti-mots 等boxmot/configs/datasets/ReID 模型配置与骨干实现boxmot/reid/backbones/评测与后处理指南docs/guides/evaluation.md可复现实验工作流materialize evaldocs/guides/experiments.md各模式总览track/eval/tune/research/export 等docs/modes/index.md需要源码级改动或贡献时可从 CONTRIBUTING.md 入手仓库地址https://gitcode.com/GitHub_Trending/bo/boxmot。九、落地建议按你的场景对号入座预算有限 / 边缘设备 / 低帧率流→ CPU bytetrack或ocsort纯运动关联不吃像素内存占用最低实时视频分析、要求 ID 稳定→ GPU--device cuda:0botsort或occluboostReID 推理放 GPU 上收益最大追求极限吞吐或嵌入 C 产品→ 同算法切--tracker-backend cpp指标不变、延迟更低检测结果已在别处产生→ 直接上boxmot-service的 Docker 镜像HTTP 接入即可要发论文级对比→boxmot materialize物化一次感知结果后续所有eval/tune复用同一个 build保证公平可复现。先跑通第二条命令boxmot track再根据画面里 ID 是否频繁跳变决定是否升级到 ReID 跟踪器这是最省心的路径。【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
