视频多目标跟踪-行人
该模型采用基于FairMOT的方案,输入待跟踪视频,可端对端推理得到视频中的所有行人的运动轨迹。
  • 模型资讯
  • 模型资料

多目标跟踪算法模型介绍

多目标跟踪算法通常由目标检测和目标重识别两个模块构成,FairMOT算法在单个网络中同时完成目标检测和重识别模块,可满足实时性要求。

期望模型使用方式以及适用范围

该模型适用于视频多目标跟踪行人场景,目前在2DMOT15数据集达到SOTA,在MOT16, MOT17, MOT20数据集上达到不错的效果。

代码范例

from modelscope.outputs import OutputKeys
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
from modelscope.models.cv.video_multi_object_tracking.utils.visualization import show_multi_object_tracking_result

video_multi_object_tracking = pipeline(Tasks.video_multi_object_tracking, model='damo/cv_yolov5_video-multi-object-tracking_fairmot')
video_path = 'http://dmshared.oss-cn-hangzhou.aliyuncs.com/ljp/maas/mot_demo_resource/MOT17-03-partial.mp4?OSSAccessKeyId=LTAI5tC7NViXtQKpxFUpxd3a&Expires=2032715547&Signature=ROPQRkeOJqE3j8cBC0PEtkgdlzs%3D'
result = video_multi_object_tracking(video_path)
print('result is : ', result[OutputKeys.BOXES])
# show_multi_object_tracking_result(video_path, result[OutputKeys.BOXES], result[OutputKeys.LABELS], "mot_res.avi")

模型局限性以及可能的偏差

  • 在遮挡严重场景和背景中存在与目标高度相似的物体场景下,目标跟踪精度可能欠佳。
  • 建议在有GPU的机器上进行测试,由于硬件精度影响,CPU上的结果会和GPU上的结果略有差异。

训练数据介绍

本模型是基于以下开源数据集训练得到:

数据评估及结果

模型在MOT17的测试集集上客观指标如下:

Method MOTA
FairMOT 68.5

相关论文以及引用信息

本模型主要参考论文如下:

@article{zhang2021fairmot,
  title={Fairmot: On the fairness of detection and re-identification in multiple object tracking},
  author={Zhang, Yifu and Wang, Chunyu and Wang, Xinggang and Zeng, Wenjun and Liu, Wenyu},
  journal={International Journal of Computer Vision},
  volume={129},
  pages={3069--3087},
  year={2021},
  publisher={Springer}
}