共计 2420 个字符，预计需要花费 7 分钟才能阅读完成。
在目不暇接的视觉利用中，对车辆、行人、飞行器等疾速挪动的物体进行实时跟踪及剖析，能够说是冲破安防、主动驾驶、智慧城市等煊赫一时行业的利器。
但要实现又快又准的继续跟踪，往往面临被检指标多、互相遮挡、图像扭曲变形、背景芜杂、视角差别大、指标小且静止速度快等产业难题。
▲ 视频援用公开数据集 13
那如何疾速取得这个能力呢？明天给大家介绍的不仅仅是独自的智能视觉算法，而是一整套多功能多场景的跟踪零碎——PP-Tracking。
它交融了指标检测、行人重辨认、轨迹交融等外围能力，并针对性地优化和解决上述理论业务的痛点难点，提供行人车辆跟踪、跨镜头跟踪、多类别跟踪、小指标跟踪及流量计数等能力与产业利用，还反对可视化界面开发，让你疾速上手、迅速落地。
⭐ 我的项目链接 ⭐
https://github.com/PaddlePadd…
想理解这套超强指标跟踪零碎的具体构造、劣势亮点及应用办法？上面带大家来疾速领略下。
功能丰富成果佳
PP-Tracking 内置 DeepSORT[6]、JDE[7] 与 FairMOT[8] 三种支流高精度多指标跟踪模型，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，笼罩多类别跟踪、跨镜跟踪、流量统计等性能与利用，堪称是精度、性能、功能丰富样样俱全。
单镜头跟踪
单镜头下的单类别指标跟踪是指在单个镜头下，对于同一品种别的多个指标进行间断跟踪，是跟踪工作的根底。针对该工作，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，采纳多种 Tricks，如 Sync_BN 与 EMA，放弃性能的同时大幅提高了精度，并且扩充训练数据集，减小输出尺寸，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。
▲ 视频援用公开数据集 [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指标跟踪，更针对多种不同类别的指标跟踪场景，加强了特色匹配模块以适配不同类别的跟踪工作，实现跟踪类别笼罩人、自行车、小轿车、卡车、公交、三轮车等上十种指标，精准实现多种不同品种物体的同时跟踪。
▲ 视频援用公开数据集 [2]
跨镜头跟踪
安防场景经常会波及在多个镜头下对于指标物体的继续跟踪。当指标从一个镜头切换到另一个镜头，往往会呈现指标跟丢的状况，这时，一个成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，采纳了百度自研的轻量级模型 PP-PicoDet 和 PP-LCNet 别离作为检测模型和 ReID 模型，配合轨迹交融算法，放弃高性能的同时也兼顾了高准确度，实现在多个镜头下紧跟指标，无论镜头如何切换、场景如何变换，也能精确跟踪目标的成果。
▲ 视频援用公开数据集 [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 也提供了残缺的解决方案，利用服务器端轻量级版 FairMOT[8] 模型预测失去指标轨迹与 ID 信息，实现动静人流 / 车流的实时去重计数，并反对自定义流量统计工夫距离。
为了满足不同业务场景下的需要，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形式。
▲ 视频援用公开数据集 [2]
简单场景笼罩全
行人、车辆跟踪
智慧交通中，行人和车辆的场景尤为宽泛，因而 PP-Tracking 针对行人和车辆，提供对应的预训练模型，大幅升高开发成本，节俭训练工夫和数据老本，实现业务场景直接推理，算法即利用的成果！不仅如此，PP-Tracking 反对显示指标轨迹，更直观地辅助实现高效的门路布局剖析。
▲ 视频援用公开数据集 [2]
人头跟踪
不仅如此，除了在日常跟踪工作中领有极强的通用性，针对实际业务中经常呈现指标遮挡重大等问题，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 灵便适配各类行人场景。
▲ 视频援用公开数据集 [5]
小指标跟踪
针对小指标呈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，提供专门针对小指标跟踪的预训练模型，实现在非凡场景，如无人机等航拍场景下，也能达到较为精准的成果。
▲ 视频援用公开数据集 [2]
两种应用模式
训练推理灵便把握
为了满足不同的开发需要，PP-Tracking 反对两种应用形式，无论是想通过代码调用 / 训练模型，进行疾速推理部署，还是想要零代码间接上手应用性能，PP-Tracking 统统满足你！
API 代码调用：
API 简洁易用，反对模型调用、训练与推理部署，最大水平升高开发成本的前提下，灵便适配各类场景与工作。
可视化开发界面：
囊括所有性能与利用，无需任何开发，即可实现全副工作性能，便于集成于各类硬件。
更贴心的是，PP-Tracking 反对 Python、C++ 两种部署语言，同时提供应用飞桨原生推理库 Paddle Inference 和飞桨服务化推理框架 Paddle Serving 的保姆级部署教程，真正意义上买通从训练、推理到部署的全流程。
产业场景疾速交融
这么厉害的实时跟踪零碎在理论落地中的体现如何呢？接下来，让咱们看看 PP-Tracking 的理论业务落地成果吧。
以人流量计数为例，在上海音智达公司的理论业务中，应用 PP-Tracking 中的服务端轻量化版 FairMOT[8]，联合人流量计数性能，疾速实现商圈出入口的实时人流量去重计数。
▲ 视频援用公开数据集 [3]
被利用于主动驾驶、安防、交通、城市等多种畛域的指标跟踪你学会了么？
点击进入取得更多技术信息~~
