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。
视频引用公开数据集[1][2][3][4]
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。
⭐ 项目链接 ⭐
https://github.com/PaddlePaddle/paddledetection
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？且让小编来带大家来快速领略下。
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。
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。
视频引用公开数据集[2]
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。
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。
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。
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]
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]
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。
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。
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。
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。
被应用于自动驾驶、安防、交通、城市等多种领域的目标跟踪你学会了么？想要深入了解案例细节？掌握跟踪的应用？快报名直播课程吧！
为了让开发者们更深入的了解PP-Tracking这套多功能的跟踪系统，解决产业应用难点以及掌握产业实践的核心能力，飞桨团队精心准备了为期四天的直播课程！
11月23日~26日百度资深高工将为我们从通用目标检测的基础理论与实践，到超轻人体关键点模型的理论及应用，最后再到实时跟踪系统的全方位解析，对各类痛难点解决方案进行手把手拆解，更甚的是，直播现场为大家答疑解惑，还在等什么！抓紧扫码上车吧！
[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.
[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.
