超強實時跟蹤系統首次開源！支援跨鏡頭、多類別、小目標！

「來源： ｜GitHub大本營 ID：githubcode」

在琳琅滿目的視覺應用中，對車輛、行人、飛行器等快速移動的物體進行實時跟蹤及分析，可以說是突破安防、自動駕駛、智慧城市等炙手可熱行業的利器~

但要實現又快又準的持續跟蹤，往往面臨被檢目標多、相互遮擋、影象扭曲變形、背景雜亂、視角差異大、目標小且運動速度快等產業難題。

影片引用公開資料集［1］［2］［3］［4］

那如何快速獲得這個能力呢？今天給大家介紹的不僅僅是單獨的智慧視覺演算法，而是一整套多功能多場景的跟蹤系統—PP-Tracking。

它融合了目標檢測、行人重識別、軌跡融合等核心能力，並針對性的最佳化和解決上述實際業務的痛點難點，提供行人車輛跟蹤、跨鏡頭跟蹤、多類別跟蹤、小目標跟蹤及流量計數等能力與產業應用，還支援視覺化介面開發，讓你快速上手、迅速落地~

趕緊Star 獲得所有演算法原始碼！習得目標跟蹤“秘籍”吧~

專案連結

https：//github。com/PaddlePaddle/paddledetection

想了解這套超強目標跟蹤系統的詳細結構、優勢亮點及使用方法？且讓小編來帶大家來快速領略下~

1

功能豐富效果佳

PP-Tracking內建DeepSORT［6］、JDE［7］與FairMOT［8］三種主流高精度多目標跟蹤模型，並針對產業痛點、結合實際落地場景進行一系列拓展和最佳化，覆蓋多類別跟蹤、跨鏡跟蹤、流量統計等功能與應用，可謂是精度、效能、功能豐富樣樣俱全~

單鏡頭跟蹤

單鏡頭下的單類別目標跟蹤是指在單個鏡頭下，對於同一種類別的多個目標進行連續跟蹤，是跟蹤任務的基礎。針對該任務，PP-Tracking基於端到端的One Shot高精模型FairMOT［8］，替換為更輕量的骨幹網路HRNetV2-W18，採用多種Tricks，如Sync_BN與EMA，保持效能的同時大幅提高了精度，並且擴大訓練資料集，減小輸入尺寸，最終實現服務端輕量化模型在權威資料集MOT17上精度達到MOTA 65。3，在NVIDIA Jetson NX上速度達到23。3FPS，GPU上速度可達到60FPS！同時，針對對精度要求較高的場景，PP-Tracking還提供了精度高達MOTA75。3的高精版跟蹤模型~

影片引用公開資料集［3］

多類別跟蹤

PP-Tracking不僅高效能地實現了單鏡頭下的單類別目標跟蹤，更針對多種不同類別的目標跟蹤場景，增強了特徵匹配模組以適配不同類別的跟蹤任務，實現跟蹤類別覆蓋人、腳踏車、小轎車、卡車、公交、三輪車等上十種目標，精準實現多種不同種類物體的同時跟蹤。

影片引用公開資料集［2］

跨鏡頭跟蹤

安防場景常常會涉及在多個鏡頭下對於目標物體的持續跟蹤。當目標從一個鏡頭切換到另一個鏡頭，往往會出現目標跟丟的情況，這時，一個效果好速度快的跨鏡頭跟蹤演算法就必不可少了！PP-Tracking中提供的跨鏡頭跟蹤能力基於DeepSORT［6］演算法，採用了百度自研的輕量級模型PP-PicoDet和PP-LCNet分別作為檢測模型和ReID模型，配合軌跡融合演算法，保持高效能的同時也兼顧了高準確度，實現在多個鏡頭下緊跟目標，無論鏡頭如何切換、場景如何變換，也能準確跟蹤目標的效果。

影片引用公開資料集［2］

流量監測

與此同時，針對智慧城市中的高頻場景—人/車流量監測，PP-Tracking也提供了完整的解決方案，應用伺服器端輕量級版FairMOT［8］模型預測得到目標軌跡與ID資訊，實現動態人流/車流的實時去重計數，並支援自定義流量統計時間間隔。

為了滿足不同業務場景下的需求，如商場進出口人流監測、高速路口車流量監測等，PP-Tracking更是提供了出入口兩側流量統計方式~

影片引用公開資料集［2］

2

複雜場景覆蓋全

行人、車輛跟蹤

智慧交通中，行人和車輛的場景尤為廣泛，因此PP-Tracking針對行人和車輛，提供對應的預訓練模型，大幅降低開發成本，節省訓練時間和資料成本，實現業務場景直接推理，演算法即應用的效果！不僅如此，PP-Tracking支援顯示目標軌跡，更直觀地輔助實現高效的路徑規劃分析。

影片引用公開資料集［2］

人頭跟蹤

不僅如此，除了在日常跟蹤任務中擁有極強的通用性，針對實際業務中常常出現目標遮擋嚴重等問題，PP-Tracking也進行了一系列最佳化，提供了基於FairMOT［8］訓練的人頭跟蹤模型，並在Head Tracking 2021資料集榜單位居榜首，助力PP-Tracking靈活適配各類行人場景。

影片引用公開資料集［5］

小目標跟蹤

針對小目標出現在大尺幅影象中的產業常見難題場景，PP-Tracking進行了一系列的最佳化，提供專門針對小目標跟蹤的預訓練模型，實現在特殊場景，如無人機等航拍場景下，也能達到較為精準的效果~

影片引用公開資料集［2］

3

兩種使用模式，訓練推理靈活掌握

為了滿足不同的開發需求，PP-Tracking支援兩種使用方式，無論是想透過程式碼呼叫/訓練模型，進行快速推理部署，還是想要零程式碼直接上手使用功能，PP-Tracking通通滿足你！

API程式碼呼叫：

API簡潔易用，支援模型呼叫、訓練與推理部署，最大程度降低開發成本的前提下，靈活適配各類場景與任務。

視覺化開發介面：

支援單鏡頭下的單、多目標跟蹤，並覆蓋小目標、人/車流量統計等複雜場景及應用，無需任何開發，即可直接體驗功能，便於集成於各類硬體。

更貼心的是，PP-Tracking支援Python、C++兩種部署語言，同時提供使用飛槳原生推理庫Paddle Inference和飛槳服務化推理框架Paddle Serving的保姆級部署教程，真正意義上打通從訓練、推理到部署的全流程。

4

產業場景快速融合

這麼厲害的實時跟蹤系統在實際落地中的表現如何呢？接下來，讓我們看看PP-Tracking的實際業務落地效果吧~

以人流量計數為例，在上海音智達公司的實際業務中，使用PP-Tracking中的服務端輕量化版FairMOT［8］，結合人流量計數功能，快速實現商圈出入口的實時人流量去重計數。

影片引用公開資料集［3］

被應用於自動駕駛、安防、交通、城市等多種領域的目標跟蹤你學會了麼？想要深入瞭解案例細節？掌握跟蹤的應用？快報名直播課程吧！

深入直播講解

為了讓開發者們更深入的瞭解PP-Tracking這套多功能的跟蹤系統，解決產業應用難點以及掌握產業實踐的核心能力，飛槳團隊精心準備了為期四天的直播課程！

11月23日-26日19:00-20:00

，百度資深高工將深入解讀通用目標檢測的基礎理論與實踐、超輕人體關鍵點模型的理論及應用，並全方位解析實時跟蹤系統，對各類痛難點解決方案進行手把手拆解，更有直播現場為大家答疑解惑，還在等什麼！抓緊掃碼上車吧！

掃碼報名直播課，加入技術交流群

精彩內容搶先看

圖片資料引用說明

［1］ Yu F， Chen H， Wang X， et al。 Bdd100k： A diverse driving dataset for heterogeneous multitask learning［C］//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition。 2020： 2636-2645。

［2］ Zhu P， Wen L， Du D， et al。 Vision meets drones： Past， present and future［J］。 arXiv preprint arXiv：2001。06303， 2020。

［3］ Milan A， Leal-Taixé L， Reid I， et al。 MOT16： A benchmark for multi-object tracking［J］。 arXiv preprint arXiv：1603。00831， 2016。

［4］ Bai H， Cheng W， Chu P， et al。 GMOT-40： A Benchmark for Generic Multiple Object Tracking［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition。 2021： 6719-6728。

［5］ Sundararaman R， De Almeida Braga C， Marchand E， et al。 Tracking Pedestrian Heads in Dense Crowd［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition。 2021： 3865-3875。

模型引用說明

［6］ DeepSORT： Veeramani B， Raymond J W， Chanda P。 DeepSort： deep convolutional networks for sorting haploid maize seeds［J］。 BMC bioinformatics， 2018， 19（9）： 1-9。

［7］ JDE： Wang Z， Zheng L， Liu Y， et al。 Towards real-time multi-object tracking［C］//Computer Vision–ECCV 2020： 16th European Conference， Glasgow， UK， August 23–28， 2020， Proceedings， Part XI 16。 Springer International Publishing， 2020： 107-122。

［8］ FairMOT： Zhang Y， Wang C， Wang X， et al。 Fairmot： On the fairness of detection and re-identification in multiple object tracking［J］。 International Journal of Computer Vision， 2021： 1-19。