open-mmlab/mmtracking

open-mmlab/mmtracking has 3,912 GitHub stars and 622 forks. GitHot measured 0 stars in 24 hours. Last checked 2026-11-07 16:39 UTC. Last push 2023-09-19.

这些数字如何统计

OpenMMLab Video Perception Toolbox. It supports Video Object Detection (VID), Multiple Object Tracking (MOT), Single Object Tracking (SOT), Video Instance Segmentation (VIS) with a unified framework.

3,912 星标 622 forks

可以做什么

The First Unified Video Perception Platform We are the first open source toolbox that unifies versatile video perception tasks include video object detection, multiple object tracking, single object tracking and video instance segmentation.
Modular Design We decompose the video perception framework into different components and one can easily construct a customized method by combining different modules.

实测星标增长

24小时: 0
7天: 更新延迟
15天: 更新延迟
1个月: 更新延迟

各周期内的星标净变化，周期相互重叠，并非每日新增。缺失的测量保持空白。星标代表关注度，不代表软件质量。

README_zh-CN.md

原文

OpenMMLab 官网 ^HOT OpenMMLab 开放平台 ^{TRY IT OUT}

📘Documentation | 🛠️Installation | 👀Model Zoo | 🆕Update News | 🤔Reporting Issues

English | 简体中文

简介

MMTracking是一款基于PyTorch的视频目标感知开源工具箱，是OpenMMLab项目的一部分。

主分支代码目前支持PyTorch 1.5以上的版本。

主要特性

首个开源一体化视频目标感知平台

MMTracking 是首个开源一体化视频目标感知工具箱，同时支持视频目标检测，多目标跟踪，单目标跟踪和视频实例分割等多种任务和算法。
模块化设计

MMTracking将统一的视频目标感知框架解耦成不同的模块组件，通过组合不同模块组件，用户可以便捷地构建自定义视频目标感知模型。
简洁、高效、强大

简洁：MMTracking与其他OpenMMLab平台充分交互。MMTracking充分复用MMDetection中的已有模块，我们只需要修改配置文件就可以使用任何检测器。

高效：MMTracking所有操作都在GPU上运行。相比其他开源库的实现，MMTracking的训练和推理更加高效。

强大：MMTracking复现了SOTA性能的模型。受益于MMDetection的持续推进，部分实现精度超出官方版本。

更新

添加了 OC-SORT 的预训练模型。

v0.14.0版本已于2022年09月19日发布，可通过查阅更新日志了解更多细节以及发布历史。

安装

请参考安装指南进行安装。

开始使用MMTracking

请参考数据集和快速开始了解MMTracking的基本使用。

我们提供了跟踪的Colab教程，您可以在这里预览或者直接在Colab上运行。

MMTracking也提供了更详细的教程，比如配置文件简介, 视频目标检测器配置文件详解, 多目标跟踪器配置文件详解, 单目标跟踪器配置文件详解, 自定义数据集, 自定义数据预处理流程, 自定义视频目标检测器, 自定义多目标跟踪器, 自定义单目标跟踪器, 自定义训练配置以及有用的工具和脚本。

基准测试与模型库

本工具箱支持的各个模型的结果和设置都可以在模型库页面中查看。

视频目标检测

支持的算法:

DFF (CVPR 2017)
FGFA (ICCV 2017)
SELSA (ICCV 2019)
Temporal RoI Align (AAAI 2021)

支持的数据集：

ILSVRC

单目标跟踪

支持的算法:

SiameseRPN++ (CVPR 2019)
STARK (ICCV 2021)
MixFormer (CVPR 2022)
PrDiMP (CVPR2020) (WIP)

支持的数据集：

多目标跟踪

支持的算法:

SORT/DeepSORT (ICIP 2016/2017)
Tracktor (ICCV 2019)
QDTrack (CVPR 2021)
ByteTrack (ECCV 2022)
OC-SORT (arXiv 2022)

支持的数据集：

视频实例分割

支持的算法:

MaskTrack R-CNN (ICCV 2019)

支持的数据集：

YouTube-VIS

参与贡献

我们非常欢迎用户对于MMTracking做出的任何贡献，可以参考贡献指南文件了解更多细节和在这个讨论中规划MMTracking的开发计划。

致谢

MMTracking是一款开源项目，我们欢迎任何贡献和反馈。我们希望该工具箱和基准测试可以为社区提供灵活的代码工具，供用户复现现有算法并开发自己新的视频目标感知方法。

引用

如果你觉得MMTracking对你的研究有所帮助，可以考虑引用它:

@misc{mmtrack2020,
    title={{MMTracking: OpenMMLab} video perception toolbox and benchmark},
    author={MMTracking Contributors},
    howpublished = {\url{https://github.com/open-mmlab/mmtracking}},
    year={2020}
}