企业官网建设流程全解析

给检测模型装上连续 ID：BoxMOT 多目标追踪实战指南

【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

检测模型每帧只吐一堆框，人物换一次位置 ID 就变。BoxMOT 把多目标追踪做成即插即用组件：一条 pip 命令装好，一行命令跑通，追踪算法还能随时换。

🎯 痛点：单帧检测为什么不够

你在做目标检测、实例分割或姿态估计时，模型输出的是"这一帧"的框，没有跨帧身份。做人流统计、行人追踪、行为分析，都需要给每个目标一个稳定 ID。

BoxMOT 的定位就是一个追踪插件层：检测、分割、姿态模型照常出框，BoxMOT 负责把框串成轨迹。追踪器是可插拔的，BoostTrack、BotSort 等实现集中在 boxmot/trackers/ 下，换算法只改一个参数，不用动检测代码。

🚀 快速上手：安装与第一次跑通

要求 Python 3.10–3.13，装包一行：

pip install boxmot

跑第一次追踪，--source 0指摄像头，图片、视频、目录都能替换：

boxmot track --source 0 --detector yolo26n --tracker occluboost --save --show

预期效果：窗口里实时显示每个目标的轨迹和固定 ID 号，结果存到runs/目录。跑摄像头需要检测相关依赖，用boxmot install --extra yolo补上 Ultralytics 等组件。

📊 选型指南：7 种追踪器，MOT 基准测试数据说话

先说两种性能模式：

• 纯运动：只靠卡尔曼滤波 + IoU 关联，轻量、高 FPS，CPU 就能跑
• 运动 + 外观：额外提取 ReID 特征（OSNet、LightMBN 等模型）做外观匹配，遮挡场景下 ID 更稳，代价是推理开销

下表数据来自 MOT17-ablation 分割的基准测试（HOTA 越高越好，综合衡量检测与身份）：

按场景一句话选型：

• 要速度：bytetrack / ocsort 纯运动模式，上千 FPS，适合大画面低延迟
• 要均衡：botsort，运动 + 外观组合，指标与速度折中最稳
• 要精度：boosttrack / strongsort，带 ReID 的 HOTA 第一梯队，适合离线分析

🛠 进阶玩法：CLI 速查

五个子命令覆盖完整工作流，boxmot --help可随时查细节。

track：跑追踪

boxmot track --source vid.mp4 --detector yolo26n --tracker botsort --reid lmbn-n-duke --classes 0 --save

四个常用参数：--source指定摄像头/图片/视频/目录；--detector指定检测模型；--tracker换追踪算法；--classes按类别索引过滤，0就是只追人。

eval：MOT17 / MOT20 / DanceTrack 消融评估

boxmot eval --dataset mot17 --split ablation --detector yolox-x-mot17 --reid lmbn-n-duke --tracker botsort

在标准 MOT 基准测试集上量化你选定的"检测器 + ReID + 追踪器"组合，输出 HOTA/MOTA/IDF1。仓库内置的消融实验配置见 boxmot/configs/datasets/。

generate：预存检测与嵌入

把检测结果和外观嵌入一次性落盘。之后换追踪器重跑时无需再推理，节省大量重复计算。

tune：目标追踪参数调优

boxmot tune --dataset mot17 --split ablation --detector yolox-x-mot17 --reid lmbn-n-duke --tracker botsort --n-trials 200

用多目标遗传算法搜索追踪器超参数，默认同时优化 HOTA、MOTA、IDF1，最优参数写回该追踪器的配置文件（boxmot/configs/trackers/）。

export：ReID 模型导出

boxmot export --weights osnet_x0_25_msmt17.pt --include onnx

支持 ONNX、OpenVINO、TensorRT、TorchScript 等格式，导出后部署到边缘设备，--dynamic可开动态输入。

🐍 代码集成：挂进自己的检测模型

把追踪接进 torchvision 的 FasterRCNN，核心就是逐帧循环"检测 → 追踪 → 画结果"：

import cv2, torch, numpy as np from torchvision.models.detection import fasterrcnn_resnet50_fpn_v2 from torchvision.models.detection.faster_rcnn import FasterRCNN_ResNet50_FPN_V2_Weights from boxmot import BoostTrack, ReIDConfig device = "cuda" if torch.cuda.is_available() else "cpu" w = FasterRCNN_ResNet50_FPN_V2_Weights.DEFAULT det = fasterrcnn_resnet50_fpn_v2(weights=w, box_score_thresh=0.5).to(device).eval() tr = BoostTrack(reid=ReIDConfig(device="cpu")).to(device) cap = cv2.VideoCapture(0) with torch.inference_mode(): while True: ok, frame = cap.read() if not ok: break # 检测：输出框 [x1, y1, x2, y2, 置信度, 类别] out = det([w.transforms()( torch.from_numpy(frame[:, :, ::-1]).permute(2, 0, 1).to(device))])[0] keep = out["scores"] >= 0.5 dets = np.concatenate([out["boxes"], out["scores"][:, None], out["labels"][:, None]], 1)[keep].cpu().numpy() # 追踪 + 绘制 tracks = tr.update(dets, frame) cv2.imshow("BoxMOT", frame) if cv2.waitKey(1) & 0xFF == ord("q"): break cap.release()

update返回和输入同形状的数组，多出来的 ID 列取用即可；想换算法，把BoostTrack改成BotSort、ByteTrack等即可，接口一致。完整可运行版本见 examples/det/torchvision_boxmot.ipynb。

❓ 常见坑 FAQ

Q：ReID 模型一加载就显存不足？A：外观模型走 CPU：CLI 加--device cpu，Python 侧ReIDConfig(device="cpu")。检测放 GPU、ReID 放 CPU 是常见且合理的搭配。

Q：只想追踪行人，怎么过滤类别？A：--classes传类别索引，COCO 中人是0。注意 CLI 里写--classes 0，Python 代码里则在自己的检测输出上按 label 过滤。

Q：怎么换 ReID 模型？A：CLI 用--reid指定模型名，如lmbn-n-duke（LightMBN 系列）或osnet-x0-25-msmt17；代码里通过ReIDConfig(model=...)切换。各模型的参数量与输入尺寸对比见 docs/config/reid-models.md。

📚 收尾：资源链接

• 官方文档：docs/
• 入门与安装：docs/getting-started/installation.md
• 评估工作流：docs/guides/evaluation.md
• 追踪器文档索引：docs/trackers/
• 项目说明：README.md
• 示例 notebooks：examples/det/torchvision_boxmot.ipynb、examples/seg/torchvision_boxmot.ipynb、examples/pose/torchvision_boxmot.ipynb

BoxMOT 多目标追踪这条链路到此就闭环了：装包、选追踪器、跑通、调参、导出，每个环节都有对应子命令。建议先用仓库里的 MOT17-mini 小数据集（assets/MOT17-mini/）练手，再迁移到自己的数据源。

【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