数据集分享 | MOT17数据集、UAVDT数据集

【导读】

在计算机视觉任务中，“多目标跟踪”（Multi-Object Tracking, MOT）是一个长期热门且极具挑战性的方向。是否有一套高质量、标注严谨的数据集，往往决定了模型能否在真实场景中跑得稳、识别准。>>更多资讯可加入CV技术群获取了解哦~

今天，我们来看看两个在学术界非常有影响力的 MOT 数据集：

• MOT17 —— 城市行人跟踪标准基准

• UAVDT —— 面向无人机视角下车辆检测与跟踪的新挑战

---

MOT17数据集

MOT17 是多目标行人跟踪任务的经典数据集，由 MOTChallenge 团队发布，广泛用于评估行人跟踪算法的性能。

• 数据集特点

共包含 7 个带标注的序列，每段都有不同视角、密度和遮挡情况；

• 每段分辨率不一，最多达到1920×1080；

• 提供三种不同检测器（DPM、Faster R-CNN、SDP）的检测结果，供跟踪算法复用；

• 标注内容：行人 ID、边界框位置、可见度（遮挡信息）、是否忽略区域等。

MOT17 主要拍摄自地面监控摄像头，目标集中在城市街道、广场等人群密集区域，强调遮挡、交叉运动等复杂性问题。

---

UAVDT数据集

与 MOT17 聚焦地面行人不同，UAVDT 数据集则将视角带上了天空，聚焦于无人机视角下的车辆识别与跟踪问题。

• 数据集特点

• 图像数量：约 80,000 帧

• 帧率与分辨率：30fps，图像大小为 1080×540 像素

• 任务覆盖：目标检测（DET）、单目标跟踪（SOT）、多目标跟踪（MOT）

UAVDT 不仅规模大，而且挑战更为复杂，尤其体现在以下三大属性维度：

• 天气条件（光照复杂）真实模拟了全天候监控条件下的车辆可见性变化。

• 飞行高度（尺度变化）直接考验模型对尺度不变性的鲁棒性。

• 摄像头视角多视角共存，提供了对复杂场景下目标遮挡和形变的测试能力。

获取方式：

点击链接：www.coovally.com

添加客服小助手，发送关键词【MOT17】、【UAVDT】即可获取！

---

Coovally平台实现一键精准训练

数据集均已在Coovally平台完成上传，可一键调用模型如YOLO、RCNN等进行训练与验证。同时支持：

• 快速上传 & 自动预处理

• 训练过程可视化追踪

• 模型对比评估结果，一目了然！

• 千款模型+海量数据，一站式搞定！

Coovally 平台集成了超1000+开源模型和300+真实数据集，助你摆脱传统开发过程中的各种“坑”：

• 无需手动下载模型或配置环境

• 支持常见视觉任务：分类、检测、分割、识别等

• 模型一键上线部署，快速融入实际系统

• 从训练到部署，全流程无门槛！

无论你是初学者、科研人员，还是企业工程师，Coovally 都能提供稳定高效的支持：

• 零配置开发环境（支持PyTorch、TensorFlow）

• 智能调参系统，降低调试成本

• 云端分布式训练加速

• 训练结果支持导出或部署API服务

！！点击下方链接，立即体验Coovally！！

平台链接：https://www.coovally.com

---

小结

无论是城市地面视角的 MOT17，还是高空多变量挑战的 UAVDT，都代表了多目标跟踪领域的重要研究基准。前者成熟稳定，后者新颖真实，适合用作算法鲁棒性对比和多场景泛化能力测试。

如果你正在研究：

• 行人或车辆跟踪

• 无人机目标检测

• 多场景目标识别泛化能力

这两个数据集，都值得你收藏、实验与深入研究！

📍想获取更多检测类数据集解析？比如 VisDrone、DronesMOT、TAO、SARD 等，也可以留言或私信我，后续继续更新系列文章