Bytetrack学习笔记

最新推荐文章于 2025-03-04 14:58:28 发布
最新推荐文章于 2025-03-04 14:58:28 发布
阅读量1.8k 收藏 17
点赞数 9
分类专栏： 跟踪 文章标签： 学习 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42178122/article/details/135169776
版权
ByteTrack是字节跳动的MOT算法，通过多次匹配处理遮挡，不依赖ReID特征。它利用检测得分和位置重合度维持跟踪连续性。与DeepSORT相比，ByteTrack简化了模型，适合移动端部署。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

概述

ByteTrack是字节跳动发布的一个MOT跟踪算法（“MOT”是“Multi-Object Tracking”）。先前的MOT算法一般在完成当前帧的目标检测后只会保留置信度比较大的检测框用于进行目标跟踪，比如图中置信度为0.9和0.8的目标框。而在BYTE中，作者保留了所有的检测框（图中的所有四个黄色的检测框）并且通过阈值将它们分成了两份

ByteTrack 是基于 tracking-by-detection 范式(首先使用一个深度学习网络（如YOLO系列）进行目标检测，然后使用一个关联算法（如卡尔曼滤波和匈牙利算法）来建立目标之间的关联，从而实现目标的跟踪)的跟踪方法。ByteTrack中用多次匹配的方法，首先将得分较高的目标框与历史轨迹相匹配，然后将得分较低的目标框与与第一次没有匹配上的轨迹匹配，用于检测目标遮挡的情形。相对于deepsort，直接减少了ReID模型，更加方便移动端的部署。

缺点：由于ByteTrack 没有采用外表特征进行匹配，所以跟踪的效果非常依赖检测的效果，也就是说如果检测器的效果很好，跟踪也会取得不错的效果，但是如果检测的效果不好，那么会严重影响跟踪的效果。

为什么没有使用ReID 特征？ 作者解释：第一点是为了尽可能做到简单高速，第二点是我们发现在检测结果足够好的情况下，卡尔曼滤波的预测准确性非常高，能够代替 ReID 进行物体间的长时刻关联。实验中也发现加入 ReID 对跟踪结果没有提升。

算法原理

ByteTrack的工作原理是遮挡往往随着检测得分由高到低的缓慢降低，被遮挡物体在被遮挡之前是可视物体，检测分数较高，建立轨迹；当物体被遮挡时，通过检测框与轨迹的位置重合度就能把遮挡的物体从低分框中挖掘出来，保持轨迹的连续性

跟踪步骤流程：

  1. 对于所有由检测器得到检测框信息，将他们分为两部分，检测得分高于阈值Thigh的归类为Dhigh，检测得分低于阈值Tlow归为Dlow；

  2. 对于轨迹集合T中的所有轨迹，利用KF预测其在当前帧中的坐标

  3. 第一次匹配：对得分高的检测框Dhigh和所有轨迹T进行匹配关联，计算（当前帧中检测）框与（轨迹T进行KF滤波在当前帧中位置）两者进行iou计算，然后用匈牙利算法进行匹配；对于IOU小于0.2的拒绝匹配，未匹配的检测框存放在Dremain;未匹配成功的轨迹T，存放于Tremain

  4. 第二次匹配：对于低得分的检测框Dlow（例如在当前帧受到严重遮挡导致得分下降的物体）和剩余轨迹Tremain进行二次匹配，方法同第一次匹配

    两次均未匹配成功的轨迹存放于Tre-remain，未匹配的低分检测框删除

  5. 对于Tre-remain中的轨迹，认为是暂时丢失目标，将其放入Tcost，如果Tcost中的轨迹存在超过一定时间（30帧）则从T中删除，否则继续保存。（如果后期匹配到，也会从Tcost中删除，对于Dremain中检测如果得分高于E，且存活超过两帧，则初始化为新的轨迹）。

下面是第一次匹配的可视化图
在这里插入图片描述下面是第二次匹配的可视化图
在这里插入图片描述
作者表示，对于低置信度的检测框，由于目标往往处于严重遮挡和严重运动模糊的状态，所以外观相似度特征（比如ReID）非常不可靠，而相比较而言IoU匹配是更佳的选择，鉴于此，在关联2中，作者仅仅只使用了IoU,而并未引入外观相似度。

【论文阅读】ByteTrack: Multi-Object Tracking by Associating Every Detection Box
聿默的博客
12-01 2651
1.看图（性能） 从下面的图来看，性能提升了很多，然而作者说自己将deep-sort中deep部分去掉了，也就是没有了级联ReID特征比对的部分。 再看下面这个表，我们发现使用了作者提出的Byte---Motion(K)在IDs上性能都有提高，IDs都有降，这个性能多目标跟踪任务中，非常关注的一个点。去掉了特征比对，IDs居然还会降，这一点着实惊到了我。Sort到Deep-sort，利用外观信息IDs降低了45%，是一个非常显著的成果。 2.作者思想 （1）先匹配置性度高的检测框，如何匹..
ByteTrack 多目标跟踪 测试笔记
jacke121的专栏
11-09 7441
部分内容转自： ByteTrack实时多目标跟踪_周先森爱吃素的博客-CSDN博客 测试视频代码： python tools/demo_track.py video -f exps/example/mot/yolox_s_mix_det.py -c ./bytetrack_s_mot17.pth.tar --path ./videos/palace.mp4 --fp16 --fuse --save_result python tools/demo_track.py video -f ex....
ByteTrack：高效、快速、强大的多目标跟踪器
gitblog_01181的博客
08-08 491
ByteTrack：高效、快速、强大的多目标跟踪器 ByteTrack[ECCV 2022] ByteTrack: Multi-Object Tracking by Associating Every Detection Box项目地址:https://gitcode.com/gh_mirrors/by/ByteTrack 项目介绍 ByteTrack 是一款简单、快速且强大的多目标跟踪器。它通...
字节 Trae 国内版正式上线，平替 Cursor
最新发布
CppPlayer
03-04 5667
今年新能源车强调智驾平权，现在 AI 让 编程技术平权，过去，创建网页、开发应用只被程序员这个少数群体所掌握；而现在，AI 让开发门槛进一步降低。你只需要具备一定的编程基础（甚至 0 基础也没有关系），再加上AI 后，就能够做出很多自己感兴趣且实用的东西。
ByteTrack: Multi-Object Tracking by Associating Every Detection Box （论文阅读笔记）
浅浅记录一下吧。
12-01 1647
ByteTrack: Multi-Object Tracking by Associating Every Detection Box 摘要 多目标跟踪(MOT)的目的是估计视频中物体的bounding box和Id。 目前大多数的方法是通过关联得分高于阈值的检测框来获得Id。检测分数低的对象，例如被遮挡的物体，被简单地扔掉，这带来了不可忽略的真实物体丢失和碎片轨迹。 为了解决这一问题，文章提出了一种简单、有效和通用的关联方法(ByteTrack)：通过关联每个检测框而不是只关联得分高的检测框进行跟踪。对
目标追踪：使用ByteTrack进行目标检测和跟踪
Warmer_Sweeter
12-23 5034
BYTE算法是一种简单而有效的关联方法，通过关联几乎每个检测框而不仅仅是高分的检测框来跟踪对象。这篇博客的目标是介绍ByteTrack以及多目标跟踪（MOT）的技术。我们还将介绍在样本视频上使用ByteTrack跟踪运行YOLOv8目标检测。多目标跟踪（MOT）你可能听说过目标检测，有许多算法如Faster RCNN、SSD和YOLO的各个版本，它们可以以很高的准确性检测物体。但有一个更新的问题是...
ByteTracker跟踪代码和原理详解，一看就懂！
cxkyxx的博客
03-05 3827
ByteTracker跟踪器的代码和原理详解
目标跟踪算法——ByteTrack算法原理解析
swpucwf的博客
09-04 5934
模块，用于解决线性分配问题（也称为匈牙利算法）。这个函数会找到一种最优的配对方式，使得两组元素之间的配对总成本最小。函数来自 SciPy 的。
MOT--ByteTrack
weixin_42823098的博客
11-10 1490
ByteTrack
机器学习笔记 - 基于深度学习的多种目标跟踪检测框架简述
学以致用 知行合一
06-14 1543
对象跟踪基准 （OTB） 是一种视觉跟踪基准，广泛用于评估视觉跟踪算法的性能。该数据集总共包含 100 个序列，每个序列都带有边界框和 11 个挑战属性逐帧注释。OTB-2013 数据集包含 51 个序列，OTB-2015 数据集包含 OTB 数据集的所有 100 个序列。下面网址是OTB官网，提供数据集。视觉跟踪器基准测试 (hanyang.ac.kr)部分示例图像。
ByteTrack: Multi-Object Tracking by Associating Every Detection Box阅读笔记
风行
10-23 2689
(一) Title 论文地址：https://arxiv.org/pdf/2110.06864.pdf 代码地址：https://github.com/ifzhang/ByteTrack 前言：截止20211019在MOT17上为SOTA,刚刚看源码的时候被项目的详细程度惊艳到了,而且猛然发现本作一作也是原来FairMOT的一作,不愧是大佬啊,忒强了 (二) Summary 背景介绍 MOT的任务是estimating bounding boxes and identities of objects。从
ByteTrack.rar
11-13
最强行人检测跟踪ByteTrack，原版代码有bug，输入视频，会出现把视频清空的bug，此为修正版，效果比yolov5强很多
Yolov5_DeepSort_bytetrack
11-20
Yolov5 DeepSort跟踪 bytetrack跟踪实例代码， deepsort 跟踪示例代码：track.py ByteTrack超越了此前所有的跟踪方法。 参考资料：https://blog.csdn.net/zhouchen1998/article/details/120932206 bytetrack示例代码：track_byte_demo.py
机器学习笔记 在自定义数据集上训练 YOLOv8 目标检测器
学以致用 知行合一
05-05 1110
YOLOv8是Ultralytics开发的YOLO对象检测，分类和分割模型的最新版本。在编写本教程时，YOLOv8 是最先进的尖端模型。与以前的版本在前身 YOLO 模型的基础上构建和改进一样，YOLOv8 也建立在以前的 YOLO 版本的成功基础上。YOLOv8 中的新功能和改进提高了性能和准确性，使其成为最实用的对象检测模型。YOLOv8的一个关键特性是它的可扩展性。它被设计为一个框架，支持所有以前版本的 YOLO，可以轻松地在版本之间切换并对其性能进行基准测试。
ByteTrack: Multi-Object Tracking by Associating Every Detection Box
小猪猪爱吃饭的博客
10-19 1136
code paper 文章目录摘要1.引言3.BYTE4.ByteTrack 摘要   多目标跟踪（MOT）旨在估计视频中目标的边界框和身份。大多数方法通过关联分数高于阈值的检测框来获得身份。检测分数低的对象，如:被遮挡的物体被简单地扔掉，这带来了不可忽略的真实物体丢失(即假阴)和轨迹的碎片化（即导致idsw升高）。为了解决这一问题，我们提出了一种简单、有效和通用的关联方法，即通过关联每个检测框而不是仅关联高分检测框来进行跟踪。对于低分数检测框，我们利用它们与轨迹的相似性来恢复真实对象并过滤掉背景检测。当应
目标跟踪之 MOT 经典算法：ByteTrack 算法原理以及多类别跟踪
热门推荐
生命在于折腾！
10-20 7万+
目标跟踪之 MOT 经典算法：ByteTrack 算法原理以及多类别跟踪 作者：Yifu Zhang 等 发表时间：2021 Paper 原文：ByteTrack: Multi-Object Tracking by Associating Every Detection Box 开源代码：ByteTrack 1. 概述 ByteTrack 是基于 tracking-by-detection 范式的跟踪方法。作者提出了一种简单高效的数据关联方法 BYTE。它和之前跟踪算法的最大区别在于，并不是简单的去掉低分检
MOT-1:ByteTrack
thehappysheep的博客
03-29 668
0.基本信息 论文名：Multi-Object Tracking by Associating Every Detection Box github:https://github.com/ifzhang/ByteTrack arxiv:https://arxiv.org/pdf/2110.06864.pdf 1.摘要 1.1目标检测的任务 多目标跟踪实现对视频中的目标检测和跟踪ID分配，分为目标检测和关联两个部分。 1.2存在的问题 大多目标关联只使用高分的检测框，把低分的检测框（...
ByteTrack Multi-Object Tracking by Associating Every Detection Box
qq_44692155的博客
07-27 2413
目标跟踪 研读论文
ByteTrack跟踪算法详解和代码解析
weixin_45303602的博客
06-25 3009
ByteTrack算法是一种基于目标检测的追踪算法，和其他非ReID的算法一样，仅仅使用目标追踪所得到的bbox进行追踪。追踪算法使用了卡尔曼滤波预测边界框，然后使用匈牙利算法进行目标和轨迹间的匹配。ByteTrack算法的最大创新点就是对低分框的使用，作者认为低分框可能是对物体遮挡时产生的框，直接对低分框抛弃会影响性能，所以作者使用低分框对追踪算法进行了二次匹配，有效优化了追踪过程中因为遮挡造成换id的问题。没有使用ReID特征计算外观相似度非深度方法，不需要训练。
bytetrack算法原理
01-02
### ByteTrack 算法工作原理详解 #### 1. 概述 ByteTrack 是一个多目标跟踪 (MOT) 算法，其核心在于 BYTE 方法。该方法允许将任意检测算法的结果作为输入来执行跟踪操作，这使得 ByteTrack 在实际应用中更加灵活和简便[^1]。 #### 2. 主要组件 ByteTrack 的实现主要依赖以下几个关键模块： - **检测器**：负责提供每一帧图像中的物体位置信息。 - **特征提取器**：用于获取每个检测框对应的外观描述符。 - **匹配机制**：通过计算代价矩阵并求解指派问题来进行轨迹关联。 - **状态管理**：维护各个目标的状态（激活/失活），处理新出现的目标以及丢失后的重新识别。 #### 3. 匹配过程 在每一步迭代过程中，ByteTrack 需要完成当前时刻检测到的对象与已有轨迹之间的最佳匹配。具体来说，就是构建一个表示候选对象间相似度的代价矩阵 `cost_matrix` ，并通过调用 `lap.lapjv()` 函数寻找最优分配方案[^3]。 ```python import numpy as np from scipy.optimize import linear_sum_assignment as lapjv def match_detections_to_tracks(detections, tracks, thresh): """ 将检测结果与现有轨迹进行匹配 参数: detections: 当前帧的所有检测框列表 tracks: 前一帧已有的活动轨迹集合 thresh: 成本阈值 返回: matches: 对应关系数组 """ if not detections or not tracks: return [] # 计算代价矩阵 cost_matrix = compute_cost_matrix(detections, tracks) # 使用匈牙利算法解决线性分配问题 row_ind, col_ind = lapjv(-np.array(cost_matrix)) # 获取满足条件的成本小于等于设定阈值的索引对 matches = [(row_ind[i], i) for i in range(len(row_ind)) if cost_matrix[row_ind[i]][i] <= thresh] return matches ``` 上述代码片段展示了如何利用 `scipy.optimize.linear_sum_assignment` 来代替原始论文提到的 `lap.lapjv` 实现相同功能。这里采用负数形式是因为默认情况下此函数找的是最大权匹配而不是最小化成本。 #### 4. 轨迹更新逻辑 一旦完成了匹配步骤之后，就需要依据得到的结果调整各条轨迹的状态。对于成功找到对应项的老轨迹而言，则继续沿用之前的 ID；而对于未能被正确关联上的情况则需创建新的轨迹实例或将旧有未确认轨迹标记为失效等待进一步验证。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值