推薦哪一個追蹤法

[fcu52005505]

我是從隔壁BOXMOT過來的，我的專案是偵測到路上的車子，只有偵測路段，因此有無reid對我來說意義不大，但車速非常快
因此隔壁棚的追蹤法，大概只有imprassoc 追蹤法比較好，他車子剛從畫面一出現，他就會偵測到了，其他模型都要等一下子才會出現

因此好奇你這邊的tracker，對於速度極快的物件，有無推薦的? 因為你這邊沒有排名，不知道該使用哪個，謝謝
另外建議你新增imprassoc，謝謝

[JackWoo0831]

其他模型要等一下才能出现的原因是有的算法需要让目标连续出现一定的时间之后才会初始化为新目标，例如OCSORT中的

if (trk.time_since_update < 1) and (
                trk.hit_streak >= self.min_hits or self.frame_count <= self.min_hits
            ):
                # +1 as MOT benchmark requires positive
                ret.append(
                    np.concatenate(
                        (d, [trk.id + 1], [trk.conf], [trk.cls], [trk.det_ind])
                    ).reshape(1, -1)
                )

因此，避免这种判定即可让目标一出现就被追踪

第二个问题，在目标运动速度比较快的情况下，相邻帧同一个目标的IoU会变得很小，因此会发生ID Switch. 所以，您需要找一个对IoU变化不那么敏感的方法，也许是CBIoU Tracker(具体可以参考论文https://arxiv.org/pdf/2211.14317v2)。或者说，在运动线索变化很大的时候，采用Reid或许也可以。

另外，我看boxmot的readme中并没有imprassoc算法，您指的是boosttrack吗？

[fcu52005505]

其他模型要等一下才能出现的原因是有的算法需要让目标连续出现一定的时间之后才会初始化为新目标，例如OCSORT中的

if (trk.time_since_update < 1) and (
trk.hit_streak >= self.min_hits or self.frame_count <= self.min_hits
):
# +1 as MOT benchmark requires positive
ret.append(
np.concatenate(
(d, [trk.id + 1], [trk.conf], [trk.cls], [trk.det_ind])
).reshape(1, -1)
)
因此，避免这种判定即可让目标一出现就被追踪

第二个问题，在目标运动速度比较快的情况下，相邻帧同一个目标的IoU会变得很小，因此会发生ID Switch. 所以，您需要找一个对IoU变化不那么敏感的方法，也许是CBIoU Tracker(具体可以参考论文https://arxiv.org/pdf/2211.14317v2)。或者说，在运动线索变化很大的时候，采用Reid或许也可以。

另外，我看boxmot的readme中并没有imprassoc算法，您指的是boosttrack吗？

他最近把imprassoc移除了，但前幾版是有的
不過他的yaml檔還保留著 你可以查看一下
boxmot/configs/imprassoc.yaml
這是他上面github路徑

另外回復你為何我的專案需要畫面一開始就希望被偵測到
因為我是要統計車牌，因此需要累計一定的數量，因此他如果一開始如果不被偵測，那麼統計數量就會過低，
就會被我的邏輯機制給剃除掉，因此只有imprassoc暫時符合我高速移動物件的需求

所以除了imprassoc外 你還推薦CBIoU可以應付高速移動物件就是了!?

[JackWoo0831]

如果他删除了imprassoc，我看不到他的源码，或者您能指出imprassoc对应的是哪篇论文吗？
我认为，需要首先分析imprassoc在你这个案例中成功的原因
至少在物体告诉运动的场景下，我认为CBIoU比较合适，如果你的场景中也存在相机运动，那么我推荐BoT-SORT

[fcu52005505]

如果他删除了imprassoc，我看不到他的源码，或者您能指出imprassoc对应的是哪篇论文吗？ 我认为，需要首先分析imprassoc在你这个案例中成功的原因 至少在物体告诉运动的场景下，我认为CBIoU比较合适，如果你的场景中也存在相机运动，那么我推荐BoT-SORT

https://openaccess.thecvf.com/content/CVPR2023W/E2EAD/papers/Stadler_An_Improved_Association_Pipeline_for_Multi-Person_Tracking_CVPRW_2023_paper.pdf

另外在他的v12.0.8 是他最後有imprassoc版本
https://github.com/mikel-brostrom/boxmot/tree/v12.0.8

他12.0.9之後就移除了

其實相機運動比較少，因為CCTV安裝在燈桿上，多少風大會造成上下左右晃動(看起來像地震)，但就我的觀察，imprassoc的ID都能維持得很好

至於不管是ultralytics或者boxmot的botsort或者其他追蹤法，對於快速移動的車輛(尤其是機車) 常常畫面一出現，就會沒有抓到BBOX
不然就是ID一直跳，所以才十分困擾，找來找去只有imprassoc 可以符合我的需求，畫面剛出來就會抓到，ID也算穩定不會亂跳
但缺點是他這個模型是需要reid權重，因此速度快不了，不知道你推薦的CBIoU是否也需要REID權重?

其實不管有無REID，我希望至少FPS能夠接近imprassoc，謝謝你的回覆~

補充一下，你的專案是否支持tensorRT (engine)? 因為boxmot 是可以支持的
另外我都是用yolo11去訓練，然後reid權重我也有轉成engine，因此不曉得你的專案是否也能運行?

[JackWoo0831]

我可以尝试一下集成imprassoc，但可能需要一些时间。
或者你可以尝试降低筛选置信度，会不会尽量让车辆在一出现就被捕捉到？

CBIoU是纯运动的，不需要reid

但很抱歉我的这个代码目前还不支持tensor rt，谢谢建议，我可以试着集成一下

[fcu52005505]

我可以尝试一下集成imprassoc，但可能需要一些时间。 或者你可以尝试降低筛选置信度，会不会尽量让车辆在一出现就被捕捉到？

CBIoU是纯运动的，不需要reid

但很抱歉我的这个代码目前还不支持tensor rt，谢谢建议，我可以试着集成一下

降低置信度依舊一樣，是追蹤法的問題
撇開使用tracking，單純只有detection，畫面一出現車輛都能正常抓出BBOX

建議支持tensorrt，對於產品上線有很大幫助，畢竟之後大家玩的都是edge device

另外，yolo13出來了🤣

[JackWoo0831]

好滴，我可以再更新一下这个repo

yolo13是不是没有集成在ultralytics，那需要手动集成一下:)

[fcu52005505]

好滴，我可以再更新一下这个repo

yolo13是不是没有集成在ultralytics，那需要手动集成一下:)

v13是魔改ultralytics版本的，或者你可以等ultralytics幫忙更新for v13也行，13才剛出，可以不用急著更新
我覺得可以先處理engine，再來是imprassoc，最後才yolov13

[JackWoo0831]

感谢建议！有什么问题咱们随时沟通

[fcu52005505]

感谢建议！有什么问题咱们随时沟通

Hi, 想問進度如何呢~

另外ultralytics討論區有再討論是否有要整合yolov13，目前他們團隊暫無意願把v13整合至ultralytics框架下
可能先處理支持engine weight與imprassoc

另外好奇一下，目前tracking方法還有啥突破點嗎，感覺都了無新意，都是拿一些常見數據集做比較，但真正要落實到各自專案
那些SOTA的方法，效果都挺普通的

[JackWoo0831]

Hi~之前几天有些事，这两天才开做 :(

1. 有关tensorrt
   我之前对硬件加速了解很少，所以进度有些慢，目前这是我的整体规划，你看看有没有问题：

• 支持yolox和ultralytics从pt/pth文件转换为engine并推理
• 还要支持这里面的reid模型的转换与推理

ultralytics有自带api，其他的可能我要先简单学习一下然后实现，我看boxmot实现了tensor rt backend，看看是否可以借鉴一下

2. 有关其他方法

我这两天看了一下，新出的tracking-by-detection方法新意确实已经不多，这次更新我还打算集成tracktrack (CVPR 2025), 有精力也集成一下boosttrack
最近tracking大家的研究热点好像都在open vocabulary或者说referring tracking上

[fcu52005505]

你的理解沒錯，ultralytics有自帶轉tensortrt方式，我也是用他官方指令，從yolo11.pt轉成engine的
至於reid權重的pt，我是請教CHATGPT幫我寫轉換代碼，然後再boxmot載入reid.engine是能正常運作的

目前reid權重我是用mobilenetv2_x1_0_market1501.pt

下面是gpt寫的轉換代碼，給你參考

# convert_mobilenetv2_to_engine.py

import os
import torch
import tensorrt as trt
from torchreid import models

# ─── Config ─────────────────────────────────────
PT_WEIGHTS    = "tracking/weights/mobilenetv2_x1_0_market1501.pt"
ONNX_MODEL    = "tracking/weights/mobilenetv2_x1_0_market1501.onnx"
ENGINE_MODEL  = "tracking/weights/mobilenetv2_x1_0_market1501.engine"
INPUT_NAME    = "images"
OUTPUT_NAME   = "output"
INPUT_SHAPE   = (1, 3, 256, 128)   # 靜態輸入 shape，用於 ONNX export
OPSET_VER     = 12
WORKSPACE     = 1 << 30            # 1GB workspace
USE_FP16      = True              # True 可開 FP16（硬體需支援）
NUM_CLASSES   = 751                # Market1501 訓練 ID 數
# ────────────────────────────────────────────────

def build_reid_model():
    # 1. 建模型
    model = models.build_model(
        name="mobilenetv2_x1_0",
        num_classes=NUM_CLASSES,
        loss="softmax",
        pretrained=False
    )

    # 2. 手動 load checkpoint（去掉 module. 或 model. 前綴）
    ckpt = torch.load(PT_WEIGHTS, map_location="cpu", weights_only=True)
    state_dict = ckpt.get("state_dict", ckpt)
    new_state = {}
    for k, v in state_dict.items():
        name = k
        if name.startswith("module."):
            name = name[len("module."):]
        if name.startswith("model."):
            name = name[len("model."):]
        new_state[name] = v
    model.load_state_dict(new_state)
    model.eval()
    return model

def export_onnx(model):
    dummy = torch.randn(INPUT_SHAPE)
    torch.onnx.export(
        model, dummy, ONNX_MODEL,
        input_names=[INPUT_NAME],
        output_names=[OUTPUT_NAME],
        opset_version=OPSET_VER,
        do_constant_folding=True,
        # 只允許 batch 維動態，因此只針對第 0 維設定
        dynamic_axes={INPUT_NAME:{0:"batch_size"}, OUTPUT_NAME:{0:"batch_size"}}
    )
    print(f"[OK] ONNX 已儲存到：{ONNX_MODEL}")

def build_tensorrt_engine():
    logger  = trt.Logger(trt.Logger.WARNING)
    builder = trt.Builder(logger)
    network = builder.create_network(
        1 << int(trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH)
    )
    parser  = trt.OnnxParser(network, logger)

    # 1. parse ONNX
    with open(ONNX_MODEL, "rb") as f:
        if not parser.parse(f.read()):
            for i in range(parser.num_errors):
                print(parser.get_error(i))
            raise RuntimeError("ONNX 解析失敗")

    # 2. 建 config 與 Optimization Profile
    config = builder.create_builder_config()
    # 設定 workspace 大小
    config.set_memory_pool_limit(trt.MemoryPoolType.WORKSPACE, WORKSPACE)
    # 建立並加入 profile，這裡只支援 batch_size=1
    profile = builder.create_optimization_profile()
    profile.set_shape(INPUT_NAME,
                      min=(1,3,256,128),
                      opt=(1,3,256,128),
                      max=(1,3,256,128))
    config.add_optimization_profile(profile)
    # FP16
    if USE_FP16 and builder.platform_has_fast_fp16:
        config.set_flag(trt.BuilderFlag.FP16)
        print("[INFO] 已啟用 FP16")

    # 3. build serialized engine
    serialized_engine = builder.build_serialized_network(network, config)
    if serialized_engine is None:
        raise RuntimeError("Serialized engine 建置失敗")

    # 4. 寫檔
    with open(ENGINE_MODEL, "wb") as f:
        f.write(serialized_engine)
    print(f"[OK] TensorRT engine 已儲存到：{ENGINE_MODEL}")

if __name__ == "__main__":
    if not os.path.isfile(PT_WEIGHTS):
        raise FileNotFoundError(f"權重檔 {PT_WEIGHTS} 不存在，請先下載並放到此資料夾")
    # 1. load model & weights
    model = build_reid_model()
    # 2. export ONNX
    export_onnx(model)
    # 3. build TensorRT engine
    build_tensorrt_engine()

[JackWoo0831]

感谢赐教！我尽快更新

[JackWoo0831]

@fcu52005505 Sorry for the late :) 我已经完成更新，您可以试一下

[fcu52005505]

@fcu52005505 Sorry for the late :) 我已经完成更新，您可以试一下

(tracking) thi@DESKTOP-GTM070I:~/Yolov7-tracker$ python tracker/track_demo.py --obj ZhongxingBridge_night_5.mp4 --detector yolov11_ultra --tracker improassoc --kalman_format bot --detector_model_path weights/car.engine --device 0
2025-07-17 14:30:13.397 | WARNING | main::41 - No module named 'yolox'
2025-07-17 14:30:13.397 | WARNING | main::42 - Load yolox fail. If you want to use yolox, please check the installation.
2025-07-17 14:30:13.625 | INFO | main:main:156 - demo result will be saved in ('track_demo_results', 'ZhongxingBridge_night_5.mp4').txt
2025-07-17 14:30:13.625 | INFO | main:main:157 - images and videos (if you enable it) will be saved in track_demo_results/ZhongxingBridge_night_5.mp4/vis_results
2025-07-17 14:30:13.651 | INFO | main:main:232 - loading detector yolov11_ultra checkpoint weights/car.engine
WARNING ⚠️ Unable to automatically guess model task, assuming 'task=detect'. Explicitly define task for your model, i.e. 'task=detect', 'segment', 'classify','pose' or 'obb'.
2025-07-17 14:30:13.653 | INFO | main:main:235 - loaded checkpoint done
強制結束

出問題了 顯示上面的錯誤
因為我只有要跑DEMO 沒有要跑數據集 不知道我指令有無下錯