BoxMot项目中YOLOv10在MOT17数据集上的性能分析

BoxMot项目中YOLOv10在MOT17数据集上的性能分析

【免费下载链接】boxmot BoxMOT: pluggable SOTA tracking modules for segmentation, object detection and pose estimation models 项目地址: https://gitcode.com/GitHub_Trending/bo/boxmot

背景介绍

BoxMot是一个基于YOLO系列模型的多目标跟踪(Multi-Object Tracking, MOT)开源项目。近期有用户反馈，在使用YOLOv10x作为检测器时，在MOT17数据集上的评估指标表现不佳，特别是HOTA(25.661)、MOTA(18.76)和IDF1(22.929)等关键指标明显偏低。

问题分析

经过技术分析，我们发现以下几个关键点：

1. 模型性能差异：YOLOv10x在MOT17的不同子序列上表现差异明显。对于包含大目标的MOT17-9序列表现良好，但在包含大量小目标的MOT17-13序列上表现较差。这表明YOLOv10x可能对小目标的检测能力存在不足。

2. 基准对比：项目README中展示的性能基准实际上是使用YOLOX-X模型生成的，这与ByteTrack论文中使用的检测器一致。YOLOX-X在CrowdHuman和MOT17训练集的一半数据上进行了专门训练，因此其性能表现更优。

3. 预处理兼容性：有用户尝试使用YOLOX模型时遇到了预处理模块导入错误，表明项目中对不同检测器的支持可能存在兼容性问题。

技术建议

对于希望在BoxMot项目中获得更好跟踪性能的用户，我们建议：

1. 使用推荐的检测器：按照项目所有者的建议，使用YOLOX-X模型作为检测器可以获得更接近论文报告的性能。具体命令为：

   python tracking/val.py --benchmark MOT17 --yolo-model yolox_m.pth --tracking-method bytetrack --source tracking/val_utils/data/MOT17/train
   

2. 针对小目标的优化：如果必须使用YOLOv10x，可以考虑以下优化措施：

   • 调整输入图像分辨率
   • 修改NMS阈值
   • 针对小目标进行数据增强

3. 模型兼容性处理：对于YOLOX预处理模块的导入错误，需要检查boxmot.utils.ops模块是否包含完整的预处理函数实现，或者考虑使用项目提供的预训练权重。

结论

在多目标跟踪系统中，检测器的选择对最终性能有着决定性影响。BoxMot项目默认使用经过专门训练的YOLOX-X模型作为检测器，能够提供较好的跟踪性能。虽然YOLOv10x作为更新的模型，但在特定数据集上可能需要进行额外的调优才能发挥最佳性能。用户在选择检测器时，应根据具体应用场景和性能需求进行权衡。

【免费下载链接】boxmot BoxMOT: pluggable SOTA tracking modules for segmentation, object detection and pose estimation models 项目地址: https://gitcode.com/GitHub_Trending/bo/boxmot