多目标跟踪 SORT & DeepSORT 实战 · 课程目录

课程导论与目标设定 MOT概述

多目标跟踪(MOT)概述、SORT与DeepSORT的定位、知识储备与学习路径规划

环境搭建与工具准备 ⚙️

Python虚拟环境、依赖库安装(NumPy/SciPy/OpenCV/PyTorch)、MOT16/17数据集

目标检测基础回顾 YOLOv5/v8

YOLOv5/v8原理简介、预训练模型行人/车辆检测、bbox/confidence/class格式

卡尔曼滤波原理(上) 状态空间

状态空间模型、预测与更新方程、线性卡尔曼滤波数学推导

卡尔曼滤波原理(下) 目标跟踪应用

卡尔曼滤波在目标跟踪中的应用、状态向量设计(位置/速度)、协方差矩阵

匈牙利算法与数据关联指派问题

指派问题概述、匈牙利算法原理、代价矩阵构建、关联阈值设定

SORT算法核心(一) 流程总览

算法流程总览、检测与跟踪状态管理(Confirmed/Tentative/Deleted)

SORT算法核心(二) 运动与匹配

运动模型与状态预测、IOU匹配与代价计算、级联匹配策略

SORT算法核心(三) 生命周期

跟踪生命周期管理(创建/更新/删除)、ID分配与ID-Switch问题分析

SORT代码实战(一) 项目结构

项目结构搭建、检测器接口封装(YOLO检测器类)

SORT代码实战(二) 卡尔曼滤波器

卡尔曼滤波器类实现(KalmanBoxTracker)

SORT代码实战(三) 关联模块

关联模块实现(IOU匹配与匈牙利算法调用)

SORT代码实战(四) SORT主类

SORT主类实现(更新/预测/管理跟踪器)

SORT代码实战(五) 视频流与可视化

视频流处理与可视化、跟踪结果保存(MOT格式)

SORT算法评估 MOT指标

MOTA, MOTP, IDF1, MT, ML · 使用py-motmetrics库评估

DeepSORT算法原理(一) 外观特征

从SORT到DeepSORT的演进、外观特征重要性、深度特征提取网络

DeepSORT算法原理(二) 级联匹配

级联匹配策略详解、马氏距离与余弦距离融合、门控机制

DeepSORT算法原理(三) 特征网络

特征提取网络设计(ResNet-50/轻量级)、特征向量维度选择

DeepSORT代码实战(一) 特征提取器

特征提取器封装(使用PyTorch加载预训练模型)

DeepSORT代码实战(二) 核心类

DeepSORT核心类实现(集成特征提取与级联匹配)

DeepSORT代码实战(三) 轨迹与特征集

轨迹管理与特征集更新策略、缓存机制优化

DeepSORT代码实战(四) 推理管线

完整推理管线搭建、性能调优(批处理/GPU加速)

多类别跟踪实战类别ID绑定

检测模型修改、类别ID与跟踪ID绑定、多类别评估

ReID模型训练(上) 行人重识别

Market1501/DukeMTMC数据集介绍、数据加载与预处理

ReID模型训练(下) 损失函数

训练脚本编写、Triplet Loss/Cross Entropy、模型评估与导出

工程化部署(一) 模型导出

ONNX/TensorRT导出、C++部署基础、OpenCV DNN模块使用

工程化部署(二) 推理加速

ONNX Runtime推理加速、TensorRT优化实践

高级优化技巧自适应阈值

自适应阈值策略、遮挡处理、轨迹平滑、误检抑制

项目实战：交通场景人流统计

交通场景多目标跟踪系统、人流统计与轨迹热力图生成

课程总结与前沿展望 ByteTrack

ByteTrack/OC-SORT等最新算法、MOT未来趋势、学习资源推荐