来源：计算机视觉联盟正文约2600字，10分钟阅读正文详细介绍百度实时目标跟踪系统并总结其特点。 目前，在自动驾驶、智慧城市、安防等领域，存在很多对车辆、行人、飞行器等高速移动物体进行实时跟踪和分析的需求，但简单的目标检测算法只能输出目标定位分类，33330
视频引用公开数据集[1][2][3][4]
但实际目标跟踪的项目落地，往往面临被测目标多、相互遮挡、图像失真变形、背景杂乱、视角差异大、目标小、运动速度快等产业实际技术难题。
那么，如何快速实现高性能的目标跟踪任务呢？ 要实现相对完善的目标跟踪任务，往往融合无法对移动的目标具体的运动行为及特征进行分析等多种技术能力，针对上述产业的实际技术难点，分别进行长时间的深度优化，同时车辆行为分析、交通违章判别、嫌疑犯追踪、飞行器监管等
很难吗？ 请不要着急。 最近在GitHub社区发布的目标检测、行人重识别、轨迹融合可帮助开发人员在Python上快速完成高性能目标跟踪任务，从而实现服务器端的轻量化。
跨镜头、多类别、小目标跟踪以及轻量化部署
开源目标跟踪系统—PP-Tracking
3359 github.com/paddle paddle/paddle detection
当然，如果你认为项目确实实用，支持开源的最好方法是它的具体结构图如下：。
作者也确实详细研究了这个项目，总结了一些特点。 有毅力的老铁可以继续往下看：
关于详细的结构详解，可以前往具体项目链接查看：
PP跟踪内置DeepSORT[6]、JDE[7]和FairMOT[8]三种主流高精度多目标跟踪模型，结合产业痛点、实际落地场景进行一系列扩展和优化，实现多种跟踪、交叉反射镜
点亮Star星标
单镜头单类目标跟踪是指在单镜头下对同一类型的多个目标进行连续跟踪，是跟踪任务的基础。 针对这一任务，PP-Tracking基于端到端的One Shot高清机型FairMOT[8]，替换为一、功能丰富效果，分别为Sync_BN和EMA、http://www
视频引用公共数据集[3]
跟踪多个类别
PP跟踪不仅是单镜头的单类别目标跟踪，还包括多种不同类别的目标跟踪场景，单镜头跟踪，跟踪类别为人、自行车、轿车、卡车、公交车、三轮车
"text-align:center;">视频引用公开数据集[2]跨镜头跟踪
安防场景常常会涉及在多个镜头下对于目标物体的持续跟踪。当目标从一个镜头切换到另一个镜头，往往会出现目标跟丢的情况，这时，一个效果好速度快的跨镜头跟踪算法就必不可少了！PP-Tracking中提供的跨镜头跟踪能力基于DeepSORT[6]算法，采用了百度自研的轻量级模型PP-PicoDet和PP-LCNet分别作为检测模型和ReID模型，配合轨迹融合算法，保持高性能的同时也兼顾了高准确度，实现在多个镜头下紧跟目标，无论镜头如何切换、场景如何变换，也能准确跟踪目标的效果。
视频引用公开数据集[2]
流量监测
与此同时，针对智慧城市中的高频场景—人/车流量监测，PP-Tracking也提供了完整的解决方案，应用服务器端轻量级版FairMOT[8]模型预测得到目标轨迹与ID信息，实现动态人流/车流的实时去重计数，并支持自定义流量统计时间间隔。
为了满足不同业务场景下的需求，如商场进出口人流监测、高速路口车流量监测等，PP-Tracking更是提供了出入口两侧流量统计方式。
视频引用公开数据集[2]
二、复杂场景覆盖全
行人、车辆跟踪
智慧交通中，行人和车辆的场景尤为广泛，因此PP-Tracking针对行人和车辆，提供对应的预训练模型，大幅降低开发成本，节省训练时间和数据成本，实现业务场景直接推理，算法即应用的效果！不仅如此，PP-Tracking支持显示目标轨迹，更直观地辅助实现高效的路径规划分析。
视频引用公开数据集[2]
人头跟踪
不仅如此，除了在日常跟踪任务中拥有极强的通用性，针对实际业务中常常出现目标遮挡严重等问题，PP-Tracking也进行了一系列优化，提供了基于FairMOT[8]训练的人头跟踪模型，并在Head Tracking 2021数据集榜单位居榜首，助力PP-Tracking灵活适配各类行人场景。
视频引用公开数据集[5]
小目标跟踪
针对小目标出现在大尺幅图像中的产业常见难题场景，PP-Tracking进行了一系列的优化，提供专门针对小目标跟踪的预训练模型，实现在特殊场景，如无人机等航拍场景下，也能达到较为精准的效果。
视频引用公开数据集[2]
三、两种使用模式，训练推理灵活掌握
为了满足不同的开发需求，PP-Tracking支持两种使用方式，无论是想通过代码调用/训练模型，进行快速推理部署，还是想要零代码直接上手使用功能，PP-Tracking通通满足你！
API代码调用：API简洁易用，支持模型调用、训练与推理部署，最大程度降低开发成本的前提下，灵活适配各类场景与任务。
可视化开发界面：支持单镜头下的单、多目标跟踪，并覆盖小目标、人/车流量统计等复杂场景及应用，无需任何开发，即可直接体验功能，便于集成于各类硬件。
更贴心的是，PP-Tracking支持Python、C++两种部署语言，同时提供使用飞桨原生推理库Paddle Inference和飞桨服务化推理框架Paddle Serving的保姆级部署教程，真正意义上打通从训练、推理到部署的全流程。
四、产业场景快速融合
这么厉害的实时跟踪系统在实际落地中的表现如何呢？接下来，让我们看看PP-Tracking的实际业务落地效果吧。
以人流量计数为例，在上海音智达公司的实际业务中，使用PP-Tracking中的服务端轻量化版FairMOT[8]，结合人流量计数功能，快速实现商圈出入口的实时人流量去重计数。
视频引用公开数据集[3]
图片数据引用说明：
[1] Yu F, Chen H, Wang X, et al. Bdd100k: A diverse driving dataset for heterogeneous multitask learning[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2020: 2636-2645.
[2] Zhu P, Wen L, Du D, et al. Vision meets drones: Past, present and future[J]. arXiv preprint arXiv:2001.06303, 2020.
[3] Milan A, Leal-Taixé L, Reid I, et al. MOT16: A benchmark for multi-object tracking[J]. arXiv preprint arXiv:1603.00831, 2016.
[4] Bai H, Cheng W, Chu P, et al. GMOT-40: A Benchmark for Generic Multiple Object Tracking[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 6719-6728.
[5] Sundararaman R, De Almeida Braga C, Marchand E, et al. Tracking Pedestrian Heads in Dense Crowd[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 3865-3875.
模型引用说明：
[6] DeepSORT: Veeramani B, Raymond J W, Chanda P. DeepSort: deep convolutional networks for sorting haploid maize seeds[J]. BMC bioinformatics, 2018, 19(9): 1-9.
[7] JDE: Wang Z, Zheng L, Liu Y, et al. Towards real-time multi-object tracking[C]//Computer Vision–ECCV 2020: 16th European Conference, Glasgow, UK, August 23–28, 2020, Proceedings, Part XI 16. Springer International Publishing, 2020: 107-122.
[8] FairMOT: Zhang Y, Wang C, Wang X, et al. Fairmot: On the fairness of detection and re-identification in multiple object tracking[J]. International Journal of Computer Vision, 2021: 1-19.
编辑：psdjqm
校对：陶醉的鲜花