FairMOT 单次多对象跟踪的简单基准： ，张以夫，王春雨，王兴刚，曾文俊，刘文宇arXiv技术报告（ ） 抽象的 近年来，作为多目标跟踪的核心组件的目标检测和重新识别取得了显着进展。但是，很少有人关注在单个网络中完成两项任务以提高推理速度。沿此路径进行的初始尝试最终导致结果降低，这主要是因为未正确学习重新标识分支。在这项工作中，我们研究了故障背后的根本原因，并因此提出了解决问题的简单基准。在30 FPS时，它的性能明显优于MOT挑战数据集上的最新技术。我们希望这个基准可以启发并帮助评估该领域的新想法。 消息 （2020.09.10）FairMOT的新版本发布了！ （在MOT17上为73.7 MOTA） 主要更新 我们使用自我监督的学习方法在CrowdHuman数据集上对FairMOT进行了预训练。 要检测图像外部的边界框，我们使用左，上，右和下（4通道）来替换WH头（2通道）。

FairMOT-BDD 这是FairMOT的一个分支，用于对BDD100K数据集进行MOT（多对象跟踪），也可以修改为其他自定义数据集。 你可以参考 主要贡献：修改原始代码以适应bdd100k数据集上的多类多对象跟踪训练和评估。 资料准备 首先，您需要将BDD100K数据集转换为MOT格式，例如文件夹“图像”和“带有ID的标签”。 对于培训MOT跟踪器： python bdd2mot/bdd2mot.py --img_dir '/bdd_root/bdd100k/images/track' --label_dir '/bdd_root/bdd100k/labels-20/box-track' --save_path '/save_path/data/MOT' 对于训练探测器： python bdd2mot/bdd2det.py --img_dir '/bdd_root/bdd100

FairMOT-master.zip，6月16号版本。下载自：https://github.com/ifzhang/FairMOT/tree/master/。

FairMOT的Baseline model(DLA-34)，all_dla34.pth 来源于https://github.com/ifzhang/FairMOT

DLA-34 COCO pretrained model: DLA-34 official.

FairMOT的Baseline model(HRNetV2_W18)，all_hrnet_v2_w18.pth来源于https://github.com/ifzhang/FairMOT