今天，香港中文大學多媒體實驗室（MMLab）旗下開源組織 OpenMMLab 發布新成員：MMTracking，旨在促進目標跟蹤領域的研究開發。
OpenMMlab旗下眾多開源庫如：MMCV, MMDetection，MMAction2等已經擁有眾多用戶，成為復現頂會論文、實現項目應用的重要工具。
MMTracking地址：
https://github.com/open-mmlab/mmtracking
演示效果：
此次OpenMMLab開源的 MMTracking 涵蓋方向包括單目標跟蹤、多目標跟蹤、視頻目標檢測（Single Object Tracking (SOT), Multiple Object Tracking (MOT), Video Object Detection (VID)），既包含前沿算法的實現，又有成熟預訓練模型可供直接使用。
特點：
-
官方稱這是第一個統一的視頻感知平台，將單目標、多目標跟蹤和視頻目標檢測放在一個框架；
-
模塊化設計，將視頻感知框架分成不同模塊，方便算法開發；
-
簡單、快速、健壯。
-
簡單：與OpenMMLab其他開源庫交互極其簡單，尤其MMTracking與MMDetection渾然天成，只需修改配置文件即可切換檢測器。
-
快速：所有操作均在GPU上進行保證程序跑的快，甚至實現的算法相比其他開源庫的實現，訓練和測試都更快。
-
健壯：作者實現了大量的state-of-the-art方法，其中不少算法甚至好於官方實現。
目前實現的算法：
視頻目標檢測：
DFF （CVPR 2017）
FGFA （ICCV 2017）
SELSA (ICCV 2019)
多目標跟蹤：
SORT/DeepSORT （ICIP 2016,ICIP 2017）
Tracktor （ICCV 2019）
單目標跟蹤：
SiameseRPN++ (CVPR 2019)
得益於OpenMMlab開源框架的高質量實現，官方稱：
視頻目標檢測算法 SELSA 的實現結果相比於官方實現，在 ImageNet VID 數據集上 mAP@50 超出 1.25 個點。
多目標跟蹤算法 Tracktor 的實現結果相比於官方實現，在 MOT17 數據集上 MOTA 超出 4.9 個點以及 IDF1 超出 3.3 個點。
單目標跟蹤算法 SiameseRPN++ 的實現結果相比於官方實現，在 LaSOT 數據集上 Norm precision 超出 1.0 個點。
雖然目前實現算法還不是很多，但鑒於MMlab 強大的研發實力和社區號召力，相信對於做跟蹤方向的朋友來說，MMTracking 是值得持續跟蹤的開源庫。
參考：https://zhuanlan.zhihu.com/p/341283833
備注：跟蹤
目標跟蹤交流群
目標跟蹤、視覺跟蹤等技術，
若已為CV君其他賬號好友請直接私信。
OpenCV中文網
微信號 : iopencv
QQ群：805388940
微博/知乎：@我愛計算機視覺
投稿：amos@52cv.net
網站：www.52cv.net
