今天，香港中文大學多媒體實驗室（MMLab）旗下開源組織 OpenMMLab 釋出新成員：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等已經擁有眾多使用者，成為復現頂會論文、實現專案應用的重要工具。

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、影片目標檢測（Single Object Tracking (SOT), Multiple Object Tracking (MOT), Video Object Detection (VID)），既包含前沿演算法的實現，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影片感知平臺，將單目標、多目標跟蹤和影片目標檢測放在一個框架；模組化設計，將影片感知框架分成不同模組，方便演算法開發；簡單、快速、健壯。簡單：與OpenMMLab其他開源庫互動極其簡單，尤其MMTracking與MMDetection渾然天成，只需修改配置檔案即可切換檢測器。快速：所有操作均在GPU上進行保證程式跑的快，甚至實現的演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，其中不少演算法甚至好於官方實現。

目前實現的演算法：

影片目標檢測：

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：

影片目標檢測演算法 SELSA 的實現結果相比於官方實現，在 ImageNet VID 資料集上 mAP@50 超出 1.25 個點。

多目標跟蹤演算法 Tracktor 的實現結果相比於官方實現，在 MOT17 資料集上 MOTA 超出 4.9 個點以及 IDF1 超出 3.3 個點。

單目標跟蹤演算法 SiameseRPN++ 的實現結果相比於官方實現，在 LaSOT 資料集上 Norm precision 超出 1.0 個點。

雖然目前實現演算法還不是很多，但鑑於MMlab 強大的研發實力和社群號召力，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