超强实时跟踪系统首次开源！支持跨镜头、多类别、小目标跟踪！人工智能ai开发开源

在琳琅满目的视觉应用中，对车辆、行人、飞行器等快速移动的物体进行实时跟踪及分析，可以说是突破安防、自动驾驶、智慧城市等炙手可热行业的利器。
但要实现又快又准的持续跟踪，往往面临被检目标多、相互遮挡、图像扭曲变形、背景杂乱、视角差异大、目标小且运动速度快等产业难题。

文章图片

▲ 视频引用公开数据集13
那如何快速获得这个能力呢？今天给大家介绍的不仅仅是单独的智能视觉算法，而是一整套多功能多场景的跟踪系统——PP-Tracking。?
它融合了目标检测、行人重识别、轨迹融合等核心能力，并针对性地优化和解决上述实际业务的痛点难点，提供行人车辆跟踪、跨镜头跟踪、多类别跟踪、小目标跟踪及流量计数等能力与产业应用，还支持可视化界面开发，让你快速上手、迅速落地。

文章图片

? 项目链接 ?
https://github.com/PaddlePadd...
想了解这套超强目标跟踪系统的详细结构、优势亮点及使用方法？下面带大家来快速领略下。
功能丰富效果佳 【超强实时跟踪系统首次开源！支持跨镜头、多类别、小目标跟踪！】PP-Tracking 内置 DeepSORT[6]、JDE[7]与 FairMOT[8]三种主流高精度多目标跟踪模型，并针对产业痛点、结合实际落地场景进行一系列拓展和优化，覆盖多类别跟踪、跨镜跟踪、流量统计等功能与应用，可谓是精度、性能、功能丰富样样俱全。

单镜头跟踪

单镜头下的单类别目标跟踪是指在单个镜头下，对于同一种类别的多个目标进行连续跟踪，是跟踪任务的基础。针对该任务，PP-Tracking 基于端到端的 One Shot 高精模型 FairMOT[8]，替换为更轻量的骨干网络 HRNetV2-W18，采用多种 Tricks，如 Sync_BN与EMA，保持性能的同时大幅提高了精度，并且扩大训练数据集，减小输入尺寸，最终实现服务端轻量化模型在权威数据集 MOT17上精度达到 MOTA 65.3，在 NVIDIA Jetson NX 上速度达到23.3FPS，GPU 上速度可达到60FPS！同时，针对对精度要求较高的场景，PP-Tracking 还提供了精度高达 MOTA75.3的高精版跟踪模型。

文章图片

▲ 视频引用公开数据集[3]

多类别跟踪

PP-Tracking 不仅高性能地实现了单镜头下的单类别目标跟踪，更针对多种不同类别的目标跟踪场景，增强了特征匹配模块以适配不同类别的跟踪任务，实现跟踪类别覆盖人、自行车、小轿车、卡车、公交、三轮车等上十种目标，精准实现多种不同种类物体的同时跟踪。

文章图片

▲ 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。

文章图片

▲ 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。

文章图片

▲ 视频引用公开数据集[2]
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。

文章图片

文章图片

▲ 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。

文章图片

▲ 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。

文章图片

▲ 视频引用公开数据集[2]
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。

文章图片

可视化开发界面：

囊括所有功能与应用，无需任何开发，即可实现全部任务功能，便于集成于各类硬件。

文章图片

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。
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。