BoxMOT 多目标跟踪实战指南：11 种跟踪算法的安装、选型与调参方法-育师

BoxMOT 多目标跟踪实战指南：11 种跟踪算法的安装、选型与调参方法

【免费下载链接】boxmotBoxMOT: Pluggable Python and C++ SOTA multi-object tracking modules with support for axis-aligned and oriented bounding boxes项目地址: https://gitcode.com/GitHub_Trending/bo/boxmot

做视频多目标跟踪时，检测模型人人都能跑，难的是从十几种跟踪算法里挑对一种，再反复改参数验证。BoxMOT 把 11 种多目标跟踪算法（ByteTrack、BoT-SORT、OccluBoost 等）放在同一套接口下，支持轴对齐框（AABB）和旋转框（OBB）两条跟踪路径，Python 和 C++ 双后端可选。

BoxMOT 是什么：一个定位与核心数据

BoxMOT 是一个基于"检测加关联"思路的跟踪工具包：检测器、外观编码器（ReID）、跟踪器是可独立替换的组件，由管线和 CLI 把它们组装起来。它内置 11 种跟踪器实现，并在 MOT17 ablation、SportsMOT val、MMOT OBB test 三个基准上公布了 HOTA/MOTA/IDF1 对比数据——例如 OccluBoost 在 MOT17 上的 HOTA 为 71.10，HybridSORT 在 MMOT OBB 上的 HOTA 为 54.64。项目支持 Python 3.10 到 3.13，可通过pip install boxmot安装。

如何选对跟踪器：一张表看懂 11 种算法

各算法的差异主要在"用了哪些关联线索"。下表按输入需求从少到多排列，数据来自 docs/trackers/index.md：

名称	适用场景	特点	局限
bytetrack	快速基线、轻量部署	纯运动关联，不依赖图像像素，速度最快	无外观信息，遮挡后 ID 切换多（MOT17 IDF1 79.16）
ocsort	低成本基线	在线关联策略，输入要求与 ByteTrack 相当	同样不用外观线索
sfsort	目标尺寸变化明显的场景	利用尺寸与速度信息做关联	需要帧尺寸或配置`frame_width/height`
botsort	相机运动、行人重识别场景	相机运动补偿（CMC）加可选外观嵌入，支持 OBB	启用 CMC/ReID 时需要像素
strongsort	对 ID 稳定性要求高	强制外观加 ECC 像素关联	必须提供图像，开销较大
deepocsort	想在上表基线上叠加深度特征	外观嵌入可配置	依赖 ReID 模型质量
hybridsort	运动与外观要兼顾的复杂场景	多策略融合，SportsMOT val IDF1 达 81.88，MMOT OBB HOTA 54.64 为表中最高	综合开销高于纯运动方案
boosttrack	需要自适应滤波的场景	创新量自适应卡尔曼，MOT17 HOTA 69.25	参数面较多，需调参
occluboost	遮挡频繁、追求综合精度	MOT17 HOTA/MOTA/IDF1 三项均为表中最高（71.10/78.50/85.28）	依赖外观线索时同样需要像素
maf_hda	有全帧实例掩码的 KITTI 类任务	运动加掩码相关滤波外观	仅支持 AABB，必须提供掩码
eagermot	2D/3D 传感器融合（KITTI）	支持 3D 检测、相机标定与自车位姿	输入链路最重，仅 Python 后端

三条选型建议：只要速度、场景简单，从bytetrack起步；遮挡和重识别压力大，直接上occluboost或hybridsort；手头有 3D 检测和标定文件，才考虑eagermot。所有框类跟踪器都支持--tracker-backend cpp切换到同指标的原生 C++ 实现（ByteTrack、BoT-SORT、OcSort、OccluBoost、SFSORT 五个有原生后端）。

三步跑通你的第一条轨迹

仓库是只读的，本地验证即可：

克隆仓库（Python 3.10~3.13）：git clone https://gitcode.com/GitHub_Trending/bo/boxmot
安装：发布包用pip install boxmot；源码开发用uv sync --extra cpu --extra yolo（yolo额外安装 Ultralytics 和 YOLOX 检测后端）。
运行跟踪，输入替换成你的视频：boxmot track --source video.mp4 --detector yolov8n --tracker bytetrack --save

--source也支持图片目录、摄像头编号和 URL；--save落盘带标注的视频，加--show可实时预览。

它适合谁

刚接触多目标跟踪的新手：不用再自己拼卡尔曼滤波和匈牙利匹配。跑通上面的命令就能看到带 ID 的框，再对照 docs/trackers/ 里每个算法的说明页理解各组件作用。

做算法对比的研究者：boxmot eval配合固定数据集跑分。例如boxmot eval --dataset mot17 --split ablation --detector yolox-x-mot17 --reid lmbn-n-duke --tracker botsort可在统一感知结果下比较不同跟踪器，避免检测误差干扰结论。

要把跟踪服务化的人：boxmot install --extra service后可以用boxmot-service起 HTTP 服务，接收外部检测帧输出轨迹；CPU 服务镜像支持 ByteTrack、OcSort、SFSORT 三个无像素依赖的跟踪器，适合检测器与跟踪器分开的架构。

C++ 工程侧的开发者：原生跟踪库可通过 CMake 嵌入独立 C++ 项目，编译细节见 docs/native/。

两个真正有用的调参入口

--tracker-backend cpp：给支持原生后端的跟踪器加上这个参数，同一条轨迹改由 C++ 实现计算。效果是推理链路更短、指标与 Python 路径一致，适合对帧率敏感的部署场景。
跟踪器 YAML 配置：每个算法在 boxmot/configs/trackers/ 下都有一个同名 YAML，声明了参数的调优范围。例如track_buffer（目标丢失后保留 ID 的帧数）在搜索空间里是[10, 61, 10]，track_thresh（检出置信度门槛）是[0.4, 0.7]。用--tracker-config传入一个只写要改字段的 YAML 即可局部覆盖默认值——遮挡多就调大track_buffer，漏检多就把track_thresh往下压。presets/子目录还存放了按数据集调好的命名参数组，可直接参考。