尧图网站建设 
BoxMOT 配置资产体系完全指南从 runtime.yaml 到 experiments 的声明式配置设计【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本文围绕 BoxMOT 的配置资产目录boxmot/configs/README.md展开系统讲解这一版本化 YAML 配置体系的目录布局、所有权规则、引用解析方式与 CLI 使用范式。读完本文你将掌握 BoxMOT 中数据集、检测器、ReID 模型、跟踪器与实验组合的声明式配置方法能够用--dataset与--experiment两种方式精准驱动track、eval、tune、research等完整工作流。配置目录版本化 YAML 资产的单一事实来源BoxMOT 的配置体系以 boxmot/configs/ 为根目录其核心定位是单一事实来源single source of truth所有参与 tracking-by-detection先检测、后跟踪工作流的版本化 YAML 资产都被集中管理在此目录下并由 Python 侧统一加载与校验。从目录布局看整个资产体系按职责划分为以下单元资产单元职责范围runtime.yaml共享的 CLI/API 默认参数以及track、generate、eval、tune、research五种模式的专属默认参数datasets/数据集格式、存储位置、划分splits、GT 可用性、类别定义与下载资源artifacts/公开检测结果与预计算 detection/embedding 运行含其生产者溯源producer lineagedetectors/检测器类、框类型aabb/obb、推理默认值与检查点checkpointsreid/ReID 权重、运行时默认值与预处理配置trackers/tracker.yaml每个跟踪器的运行时默认值与调参tuning搜索元数据trackers/presets/针对特定数据集或划分产出的命名运行时参数档experiments/面向用户的组合配置选择数据集划分、检测来源、可选 ReID 档与评估类别映射配置加载与校验的入口定义在 boxmot/configs/init.py 中它仅暴露CONFIG_ROOT常量作为后续所有配置读取逻辑的基准路径。例如 boxmot/data/config.py 就是基于from boxmot.configs import CONFIG_ROOT来拼接DATASET_CONFIGS_DIR与ARTIFACT_CONFIGS_DIR的。所有权规则每一条事实只属于一个资产该配置体系最重要的设计原则是所有权规则Ownership rules每一条事实fact恰好归属一个资产文件不重复定义实验experiments通过标识符引用可复用资产而不是复制数据集、检测器、ReID、artifact 或跟踪器的定义跟踪器选择是独立的运行时决策不会嵌入到数据集或实验的定义中。这种引用而非复制的组合模式保证了同一份数据集定义可以被多个实验复用同一份检测器配置也可以服务不同划分从而避免配置漂移drift。文档给出的一个实验组合示例如下dataset: ref: mot17 split: ablation detections: source: model model: ref: yolox-x-mot17 checkpoint: ablation reid: ref: lmbn-n-duke这个例子展示了实验配置的核心骨架dataset.ref指向数据集资产、detections.model.ref指向检测器资产、reid.ref指向 ReID 资产。仓库中真实存在的 boxmot/configs/experiments/mot17-mini/train-yolox-lmbn.yaml 与此骨架完全一致并额外增加了evaluation.class_map用于评估时的类别映射id: mot17-mini-train-yolox-lmbn dataset: ref: mot17-mini split: train detections: source: model model: ref: yolox-x-mot17 checkpoint: ablation reid: ref: lmbn-n-duke evaluation: class_map: pedestrian: person可见配置加载与校验归属于持有该领域的 Python 模块本目录只存放声明式资产这一原则。同时文档明确指出ReID 训练配方recipes与导出默认值刻意保留在boxmot/reid/目录下因为它们属于训练/导出领域而非跟踪运行时配置档。引用解析ID、文件名与显式 YAML 路径资产引用catalog reference支持三种解析方式唯一 IDunique ID内置 ID 使用 kebab-case 风格例如mot17、yolox-x-mot17、lmbn-n-duke文件名filename直接使用资产文件名引用显式 YAML 路径explicit YAML path指定可移植的仓库相对路径。文档特别强调内置资产路径必须是可移植的仓库相对路径portable repository-relative paths而不是工作站特定的绝对路径。这与 boxmot/data/config.py 中resolve_dataset_config_path/resolve_artifact_config_path等解析函数的实现意图一致——它们统一通过resolve_config_path在对应资产目录内按 id、文件名或显式路径解析引用保证了配置的可移植性与跨机器复用能力。运行时默认值runtime.yaml 详解boxmot/configs/runtime.yaml 是整个配置体系的地基它包含shared、runtime以及track、generate、eval、tune、research五个模式专属段。shared跨模式共享默认值shared: detector: yolov8n reid: osnet_x0_25_msmt17shared段定义所有工作流共用的默认检测器yolov8n与默认 ReID 模型osnet_x0_25_msmt17。当你在命令行未显式指定检测器或 ReID 时这些值会被用作兜底。runtime通用推理与运行参数runtime: imgsz: null # 输入图像尺寸null 表示按模型默认 fps: null # 视频帧率null 表示自动推断 conf: null # 置信度阈值null 表示取检测器默认 iou: 0.7 # NMS IoU 阈值 device: cpu # 推理设备 batch_size: 16 # 批大小 auto_batch: true # 自动批大小估计 resume: true # 断点续训/续跑 n_threads: auto # 线程数auto 自动决定 project: runs # 输出项目目录 name: exp # 运行名 exist_ok: false # 输出目录已存在时是否允许覆盖 half: false # 是否启用半精度FP16 vid_stride: 1 # 视频抽帧步长 ci: false # CI 模式 tracker: bytetrack # 默认跟踪器 tracker_backend: python # 跟踪器后端python/native verbose: false show_timing: false # 打印计时信息 agnostic_nms: false # 类别无关 NMS postprocessing: none # 后处理none/gsi/gta/gbrc show: false show_labels: true show_conf: true show_trajectories: false show_kf_preds: false save_txt: false save_crop: false save: false line_width: null per_class: false # 是否按类别分别保存结果 target_id: null # 仅跟踪指定目标 ID关键参数说明iou: 0.7默认 NMS 交并比阈值数值越小抑制越激进对密集场景需调低device: cpu默认 CPU 推理使用 GPU 时可在命令行覆盖为0/cuda:0等tracker: bytetrack全局默认跟踪器可在命令行用--tracker覆盖tracker_backend: python选择 Python 实现还是原生 C 实现后端BoxMOT 同时提供 Python 与 C 两套跟踪实现见 boxmot/native/postprocessing: none默认不启用任何后处理可选gsi、gta、gbrc对应 boxmot/postprocessing/ 下的实现。模式专属默认值runtime.yaml还为五种模式各自提供了专属默认值例如track: source: 0 # 默认输入为摄像头设备 0 benchmark: split: eval: experiment: null dataset: null source: null benchmark: split: tune: experiment: null source: null benchmark: split: n_trials: 10 # 默认调参试验次数 objectives: - HOTA # 默认优化目标 maximize: [] minimize: [] research: experiment: null source: null benchmark: split: proposal_model: openai/gpt-5.4 # 研究提案模型 proposal_api_key: null proposal_api_key_env: null # API Key 环境变量名 max_metric_calls: 24 # 指标计算调用上限 eval_timeout: 900.0 # 评估超时秒 keep_workspace: false hota_penalty: 0.0 idf1_penalty: 1.0 mota_penalty: 1.0 hota_tolerance: 0.0 idf1_tolerance: 0.0 mota_tolerance: 0.0值得注意的是research模式提供了针对指标HOTA/IDF1/MOTA的惩罚系数与容忍度设置这些参数用于研究自动提案时对评估结果的约束与打分。datasets/数据集资产的结构化描述datasets/目录下的每个 YAML 文件描述一个数据集的格式、存储、划分、GT 可用性、类别与下载资源。以 boxmot/configs/datasets/mot17.yaml 为例id: mot17 format: layout: mot box_type: aabb storage: root: boxmot/datasets/mot/MOT17 default_split: ablation splits: train: path: train has_ground_truth: true val: path: val has_ground_truth: true test: path: test has_ground_truth: false ablation: path: ablation has_ground_truth: true classes: target: pedestrian: 1 ignore: person_on_vehicle: 2 static_person: 7 distractor: 8 reflection: 12 resources: dataset: type: per_split backend: mot17_parquet repository: Lekim89/mot17-parquet uris: train: hf://Lekim89/mot17-parquet/images/train test: hf://Lekim89/mot17-parquet/images/test ablation: hf://Lekim89/mot17-parquet/images/train该文件揭示了数据集资产的完整字段语义format.layout标注布局格式如motMOT 标准格式、visdroneformat.box_type边界框类型aabb表示轴对齐框obb表示旋转框定向边界框storage.root仓库内的数据根路径default_split未显式指定划分时的默认值splits每个划分train/val/test/ablation的路径与has_ground_truth标志——这是GT 可用性的声明式表达classes.target参与跟踪评估的目标类别及其 IDclasses.ignore应被忽略的类别如 MOT17 中的 distractor、reflection评估时不会计入指标resources.dataset下载资源定义type: per_split表示按划分下载backend: mot17_parquet表示使用 parquet 格式后端对应 boxmot/data/mot17_parquet.py 的实现。仓库中已提供的数据集资产覆盖多种场景数据集资产框类型默认划分说明datasets/mot17.yamlaabbablation多目标跟踪基准含 train/val/test/ablation 四划分datasets/mot17-mini.yamlaabbtrainMOT17 小型子集数据位于 assets/MOT17-minidatasets/mot20.yamlaabbablation密集人群场景test 划分无 GTdatasets/mmot.yamlobbtrain定向框多目标数据集8 个目标类别datasets/mmot-mini.yamlobbtrainMMOT 小型子集数据位于 assets/mmot-minidatasets/dancetrack.yamlaabbval舞蹈跟踪场景datasets/sportsmot.yamlaabbval体育赛事跟踪目标为playerdatasets/visdrone.yamlaabbval无人机视角含 10 个目标类别与 ignore 类别值得关注的是面向定向框OBB的 datasets/mmot.yaml其format.box_type: obb表明 BoxMOT 原生支持旋转框多目标跟踪目标类别包括 car、bike、pedestrian、van、truck、bus、tricycle、awning-bike。而 datasets/visdrone.yaml 则展示了更复杂的类别体系10 个目标类别pedestrian、people、bicycle、car、van、truck、tricycle、awning-tricycle、bus、motor外加ignored-regions: 0与others: 11两个忽略类别其数据通过 Google Drive 归档链接下载。detectors/ 与 reid/检测与外观模型资产boxmot/configs/detectors/ 下的检测器资产定义检测器类、框类型、推理默认值与检查点。以 boxmot/configs/detectors/yolox-x-mot17.yaml 为例id: yolox-x-mot17 box_type: aabb classes: 0: person inference: image_size: [800, 1440] confidence_threshold: 0.01 checkpoints: ablation: path: models/yolox_x_MOT17_ablation.pt uri: https://huggingface.co/Lekim89/yolox/resolve/main/yolox_x_MOT17_ablation.pt test: path: models/yolox_x_MOT17_test.pt uri: https://huggingface.co/Lekim89/yolox/resolve/main/yolox_x_MOT17_test.pt该文件展示了检测器资产的字段语义box_type声明输出框类型classes声明可检测类别inference.image_size与inference.confidence_threshold是推理默认值MOT17 场景常用较低的置信度阈值 0.01 以保留低置信度候选框供跟踪器二次筛选checkpoints则按用途ablation/test分别给出本地路径与下载 URI——这与实验配置中checkpoint: ablation的引用方式一一对应。仓库中现有的检测器资产还包括基于 YOLO 系列与 RT-DETR 的多种配置yolox-x-dancetrack.yaml、yolox-x-mot20.yaml、yolox-x-sportsmot.yaml、yolox-x-visdrone.yaml、yolo11l-mmot-obb.yaml 等其中yolo11l-mmot-obb.yaml专为 MMOT 定向框检测设计。boxmot/configs/reid/lmbn-n-duke.yaml 是 ReID 资产示例定义了 ReID 权重、运行时默认值与预处理配置。它在实验中通过reid.ref: lmbn-n-duke被引用与 boxmot/reid/ 中的 LMBN 骨干网络实现相配合。trackers/ 与 trackers/presets/跟踪器运行时参数boxmot/configs/trackers/ 目录为每个跟踪器提供一份 YAML包含其运行时默认值与调参搜索元数据。仓库内置的跟踪器资产包括boosttrack.yamlbotsort.yamlbytetrack.yamldeepocsort.yamlhybridsort.yamloccluboost.yamlocsort.yamlsam2mot.yamlsfsort.yamlstrongsort.yaml这些跟踪器的 Python 实现分别位于 boxmot/trackers/bbox/含 boosttrack、botsort、bytetrack、deepocsort、hybridsort、occluboost、ocsort、sfsort、strongsort其中部分botsort、bytetrack、occluboost、ocsort、sfsort还提供了对应的 C 原生实现见 boxmot/native/trackers/。runtime.yaml中的tracker: bytetrack与tracker_backend: python即决定了默认加载哪一个跟踪器资产。boxmot/configs/trackers/presets/ 则存放针对特定数据集或划分产出的命名运行时参数档例如botsort-mot17-ablation.yamloccluboost-mot17-ablation.yamloccluboost-mot17-test.yamloccluboost-sportsmot-val.yaml这类 preset 与跟踪器选择是独立运行时决策的原则相呼应同一个跟踪器如 occluboost可以为不同数据集MOT17、SportsMOT与不同划分ablation、test、val分别准备一套调优后的参数档。experiments/面向用户的组合资产boxmot/configs/experiments/ 是配置体系的组装层它不复制底层资产定义而是通过引用把它们组合起来。仓库现有实验资产按数据集组织mot17/ablation 系列dpm/frcnn/precomputed/sdp/yolox 四种检测来源与 test 配置例如 ablation-yolox-lmbn.yaml、test-yolox-lmbn.yamlmot17-mini/train-yolox-lmbn.yamlmot20/ablation-yolox-lmbn.yamldancetrack/val-yolox-lmbn.yamlsportsmot/val-precomputed.yaml、val-yolox-lmbn.yamlvisdrone/val-yolox-lmbn.yamlmmot-obb/test-precomputed.yaml、test-yolo11l-lmbn.yamlmmot-obb-mini/train-yolo11l-lmbn.yaml。以 boxmot/configs/experiments/mot17/ablation-yolox-lmbn.yaml 为代表的实验资产其结构即文档中给出的组合骨架dataset.refdataset.split选定数据集与划分detections.source决定检测来源model为模型推理precomputed为预计算结果detections.model.ref与checkpoint指向检测器资产reid.ref指向 ReID 资产。这样数据集、检测器、ReID、跟踪器四类资产各归其位实验文件只做编排。CLI 使用范式--dataset 与 --experiment配置资产的最终消费方式是 BoxMOT 的命令行接口。文档给出两种互补的使用范式方式一--dataset运行时各要素由调用方控制当检测器、ReID 模型及其他运行时选择保持由调用方控制时使用--dataset显式指定数据集与划分boxmot eval --dataset mot17 --split ablation --tracker boosttrack该命令以mot17数据集、ablation划分执行评估并显式选择boosttrack跟踪器覆盖runtime.yaml中默认的bytetrack。从 boxmot/configs/runtime.yaml 的eval段可以看到dataset、split正是eval模式的专属参数。方式二--experiment按 ID 选择完整组合当希望一次性加载某实验资产定义的完整组合数据集 划分 检测来源 ReID 档时使用--experimentboxmot eval --experiment mot17-ablation-yolox-lmbn --tracker boosttrack这里mot17-ablation-yolox-lmbn是实验资产的 IDkebab-case它内部已声明使用 MOT17 的 ablation 划分、YOLOX-X 检测器ablation 检查点与 LMBN-N-Duke ReID 模型。跟踪器仍然作为独立运行时参数由命令行指定这正是跟踪器选择是独立运行时决策在 CLI 层的体现。实验资产的 ID 均遵循数据集-划分-检测器-模型的可读命名模式如mot17-mini-train-yolox-lmbn、mmot-obb-test-yolo11l-lmbn配合runtime.yaml中track、generate、eval、tune、research各模式的experiment参数用户可以将同一份组合资产复用于不同的工作流例如先用--experiment跑eval再用同一 ID 跑tune或research。与 Python 侧的衔接声明式资产与加载校验的分工整个配置体系遵循声明与行为分离的原则boxmot/configs/只存放声明式 YAML 资产加载与校验逻辑归属于持有该领域的 Python 模块。在数据集领域boxmot/data/config.py 基于CONFIG_ROOT提供iter_dataset_config_paths()、resolve_dataset_config_path()等函数负责枚举与解析数据集资产在引擎层boxmot/engine/config.py 与 boxmot/engine/experiment.py 承载实验组合的加载与运行逻辑在跟踪器领域boxmot/trackers/config.py 处理跟踪器参数而 boxmot/reid/config.py 负责 ReID 相关配置。同时tests/unit/configs/ 下的测试如 test_config_catalog.py、test_configs.py、test_dataset_config.py为这套资产体系提供了契约性验证确保每个内置配置均可被正确加载、引用可解析、字段完整——这从工程上保障了单一事实来源的可信度。总结BoxMOT 的配置资产体系boxmot/configs/是一个以单一事实来源 引用而非复制 声明与行为分离为设计原则的 YAML 配置生态运行时默认值统一收敛在runtime.yaml覆盖五种工作流的共享参数与模式专属参数数据集、检测器、ReID、跟踪器四类资产各归其位通过 id/文件名/YAML 路径三种方式被引用experiments 只做编排通过引用组合出完整的实验配置CLI 层以--dataset与--experiment两种范式消费这些资产跟踪器选择始终保持独立。这套设计让 BoxMOT 的 tracking-by-detection 工作流具备高度的可组合性与可移植性新增数据集只需在datasets/添加一份 YAML新增实验只需在experiments/写一段引用组合而所有参数均可在运行时用命令行覆盖无需修改任何 Python 代码。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 BoxMOT 配置资产体系完全指南：从 runtime.yaml 到 experiments 的声明式配置设计
BoxMOT 配置资产体系完全指南从 runtime.yaml 到 experiments 的声明式配置设计【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本文围绕 BoxMOT 的配置资产目录boxmot/configs/README.md展开系统讲解这一版本化 YAML 配置体系的目录布局、所有权规则、引用解析方式与 CLI 使用范式。读完本文你将掌握 BoxMOT 中数据集、检测器、ReID 模型、跟踪器与实验组合的声明式配置方法能够用--dataset与--experiment两种方式精准驱动track、eval、tune、research等完整工作流。配置目录版本化 YAML 资产的单一事实来源BoxMOT 的配置体系以 boxmot/configs/ 为根目录其核心定位是单一事实来源single source of truth所有参与 tracking-by-detection先检测、后跟踪工作流的版本化 YAML 资产都被集中管理在此目录下并由 Python 侧统一加载与校验。从目录布局看整个资产体系按职责划分为以下单元资产单元职责范围runtime.yaml共享的 CLI/API 默认参数以及track、generate、eval、tune、research五种模式的专属默认参数datasets/数据集格式、存储位置、划分splits、GT 可用性、类别定义与下载资源artifacts/公开检测结果与预计算 detection/embedding 运行含其生产者溯源producer lineagedetectors/检测器类、框类型aabb/obb、推理默认值与检查点checkpointsreid/ReID 权重、运行时默认值与预处理配置trackers/tracker.yaml每个跟踪器的运行时默认值与调参tuning搜索元数据trackers/presets/针对特定数据集或划分产出的命名运行时参数档experiments/面向用户的组合配置选择数据集划分、检测来源、可选 ReID 档与评估类别映射配置加载与校验的入口定义在 boxmot/configs/init.py 中它仅暴露CONFIG_ROOT常量作为后续所有配置读取逻辑的基准路径。例如 boxmot/data/config.py 就是基于from boxmot.configs import CONFIG_ROOT来拼接DATASET_CONFIGS_DIR与ARTIFACT_CONFIGS_DIR的。所有权规则每一条事实只属于一个资产该配置体系最重要的设计原则是所有权规则Ownership rules每一条事实fact恰好归属一个资产文件不重复定义实验experiments通过标识符引用可复用资产而不是复制数据集、检测器、ReID、artifact 或跟踪器的定义跟踪器选择是独立的运行时决策不会嵌入到数据集或实验的定义中。这种引用而非复制的组合模式保证了同一份数据集定义可以被多个实验复用同一份检测器配置也可以服务不同划分从而避免配置漂移drift。文档给出的一个实验组合示例如下dataset: ref: mot17 split: ablation detections: source: model model: ref: yolox-x-mot17 checkpoint: ablation reid: ref: lmbn-n-duke这个例子展示了实验配置的核心骨架dataset.ref指向数据集资产、detections.model.ref指向检测器资产、reid.ref指向 ReID 资产。仓库中真实存在的 boxmot/configs/experiments/mot17-mini/train-yolox-lmbn.yaml 与此骨架完全一致并额外增加了evaluation.class_map用于评估时的类别映射id: mot17-mini-train-yolox-lmbn dataset: ref: mot17-mini split: train detections: source: model model: ref: yolox-x-mot17 checkpoint: ablation reid: ref: lmbn-n-duke evaluation: class_map: pedestrian: person可见配置加载与校验归属于持有该领域的 Python 模块本目录只存放声明式资产这一原则。同时文档明确指出ReID 训练配方recipes与导出默认值刻意保留在boxmot/reid/目录下因为它们属于训练/导出领域而非跟踪运行时配置档。引用解析ID、文件名与显式 YAML 路径资产引用catalog reference支持三种解析方式唯一 IDunique ID内置 ID 使用 kebab-case 风格例如mot17、yolox-x-mot17、lmbn-n-duke文件名filename直接使用资产文件名引用显式 YAML 路径explicit YAML path指定可移植的仓库相对路径。文档特别强调内置资产路径必须是可移植的仓库相对路径portable repository-relative paths而不是工作站特定的绝对路径。这与 boxmot/data/config.py 中resolve_dataset_config_path/resolve_artifact_config_path等解析函数的实现意图一致——它们统一通过resolve_config_path在对应资产目录内按 id、文件名或显式路径解析引用保证了配置的可移植性与跨机器复用能力。运行时默认值runtime.yaml 详解boxmot/configs/runtime.yaml 是整个配置体系的地基它包含shared、runtime以及track、generate、eval、tune、research五个模式专属段。shared跨模式共享默认值shared: detector: yolov8n reid: osnet_x0_25_msmt17shared段定义所有工作流共用的默认检测器yolov8n与默认 ReID 模型osnet_x0_25_msmt17。当你在命令行未显式指定检测器或 ReID 时这些值会被用作兜底。runtime通用推理与运行参数runtime: imgsz: null # 输入图像尺寸null 表示按模型默认 fps: null # 视频帧率null 表示自动推断 conf: null # 置信度阈值null 表示取检测器默认 iou: 0.7 # NMS IoU 阈值 device: cpu # 推理设备 batch_size: 16 # 批大小 auto_batch: true # 自动批大小估计 resume: true # 断点续训/续跑 n_threads: auto # 线程数auto 自动决定 project: runs # 输出项目目录 name: exp # 运行名 exist_ok: false # 输出目录已存在时是否允许覆盖 half: false # 是否启用半精度FP16 vid_stride: 1 # 视频抽帧步长 ci: false # CI 模式 tracker: bytetrack # 默认跟踪器 tracker_backend: python # 跟踪器后端python/native verbose: false show_timing: false # 打印计时信息 agnostic_nms: false # 类别无关 NMS postprocessing: none # 后处理none/gsi/gta/gbrc show: false show_labels: true show_conf: true show_trajectories: false show_kf_preds: false save_txt: false save_crop: false save: false line_width: null per_class: false # 是否按类别分别保存结果 target_id: null # 仅跟踪指定目标 ID关键参数说明iou: 0.7默认 NMS 交并比阈值数值越小抑制越激进对密集场景需调低device: cpu默认 CPU 推理使用 GPU 时可在命令行覆盖为0/cuda:0等tracker: bytetrack全局默认跟踪器可在命令行用--tracker覆盖tracker_backend: python选择 Python 实现还是原生 C 实现后端BoxMOT 同时提供 Python 与 C 两套跟踪实现见 boxmot/native/postprocessing: none默认不启用任何后处理可选gsi、gta、gbrc对应 boxmot/postprocessing/ 下的实现。模式专属默认值runtime.yaml还为五种模式各自提供了专属默认值例如track: source: 0 # 默认输入为摄像头设备 0 benchmark: split: eval: experiment: null dataset: null source: null benchmark: split: tune: experiment: null source: null benchmark: split: n_trials: 10 # 默认调参试验次数 objectives: - HOTA # 默认优化目标 maximize: [] minimize: [] research: experiment: null source: null benchmark: split: proposal_model: openai/gpt-5.4 # 研究提案模型 proposal_api_key: null proposal_api_key_env: null # API Key 环境变量名 max_metric_calls: 24 # 指标计算调用上限 eval_timeout: 900.0 # 评估超时秒 keep_workspace: false hota_penalty: 0.0 idf1_penalty: 1.0 mota_penalty: 1.0 hota_tolerance: 0.0 idf1_tolerance: 0.0 mota_tolerance: 0.0值得注意的是research模式提供了针对指标HOTA/IDF1/MOTA的惩罚系数与容忍度设置这些参数用于研究自动提案时对评估结果的约束与打分。datasets/数据集资产的结构化描述datasets/目录下的每个 YAML 文件描述一个数据集的格式、存储、划分、GT 可用性、类别与下载资源。以 boxmot/configs/datasets/mot17.yaml 为例id: mot17 format: layout: mot box_type: aabb storage: root: boxmot/datasets/mot/MOT17 default_split: ablation splits: train: path: train has_ground_truth: true val: path: val has_ground_truth: true test: path: test has_ground_truth: false ablation: path: ablation has_ground_truth: true classes: target: pedestrian: 1 ignore: person_on_vehicle: 2 static_person: 7 distractor: 8 reflection: 12 resources: dataset: type: per_split backend: mot17_parquet repository: Lekim89/mot17-parquet uris: train: hf://Lekim89/mot17-parquet/images/train test: hf://Lekim89/mot17-parquet/images/test ablation: hf://Lekim89/mot17-parquet/images/train该文件揭示了数据集资产的完整字段语义format.layout标注布局格式如motMOT 标准格式、visdroneformat.box_type边界框类型aabb表示轴对齐框obb表示旋转框定向边界框storage.root仓库内的数据根路径default_split未显式指定划分时的默认值splits每个划分train/val/test/ablation的路径与has_ground_truth标志——这是GT 可用性的声明式表达classes.target参与跟踪评估的目标类别及其 IDclasses.ignore应被忽略的类别如 MOT17 中的 distractor、reflection评估时不会计入指标resources.dataset下载资源定义type: per_split表示按划分下载backend: mot17_parquet表示使用 parquet 格式后端对应 boxmot/data/mot17_parquet.py 的实现。仓库中已提供的数据集资产覆盖多种场景数据集资产框类型默认划分说明datasets/mot17.yamlaabbablation多目标跟踪基准含 train/val/test/ablation 四划分datasets/mot17-mini.yamlaabbtrainMOT17 小型子集数据位于 assets/MOT17-minidatasets/mot20.yamlaabbablation密集人群场景test 划分无 GTdatasets/mmot.yamlobbtrain定向框多目标数据集8 个目标类别datasets/mmot-mini.yamlobbtrainMMOT 小型子集数据位于 assets/mmot-minidatasets/dancetrack.yamlaabbval舞蹈跟踪场景datasets/sportsmot.yamlaabbval体育赛事跟踪目标为playerdatasets/visdrone.yamlaabbval无人机视角含 10 个目标类别与 ignore 类别值得关注的是面向定向框OBB的 datasets/mmot.yaml其format.box_type: obb表明 BoxMOT 原生支持旋转框多目标跟踪目标类别包括 car、bike、pedestrian、van、truck、bus、tricycle、awning-bike。而 datasets/visdrone.yaml 则展示了更复杂的类别体系10 个目标类别pedestrian、people、bicycle、car、van、truck、tricycle、awning-tricycle、bus、motor外加ignored-regions: 0与others: 11两个忽略类别其数据通过 Google Drive 归档链接下载。detectors/ 与 reid/检测与外观模型资产boxmot/configs/detectors/ 下的检测器资产定义检测器类、框类型、推理默认值与检查点。以 boxmot/configs/detectors/yolox-x-mot17.yaml 为例id: yolox-x-mot17 box_type: aabb classes: 0: person inference: image_size: [800, 1440] confidence_threshold: 0.01 checkpoints: ablation: path: models/yolox_x_MOT17_ablation.pt uri: https://huggingface.co/Lekim89/yolox/resolve/main/yolox_x_MOT17_ablation.pt test: path: models/yolox_x_MOT17_test.pt uri: https://huggingface.co/Lekim89/yolox/resolve/main/yolox_x_MOT17_test.pt该文件展示了检测器资产的字段语义box_type声明输出框类型classes声明可检测类别inference.image_size与inference.confidence_threshold是推理默认值MOT17 场景常用较低的置信度阈值 0.01 以保留低置信度候选框供跟踪器二次筛选checkpoints则按用途ablation/test分别给出本地路径与下载 URI——这与实验配置中checkpoint: ablation的引用方式一一对应。仓库中现有的检测器资产还包括基于 YOLO 系列与 RT-DETR 的多种配置yolox-x-dancetrack.yaml、yolox-x-mot20.yaml、yolox-x-sportsmot.yaml、yolox-x-visdrone.yaml、yolo11l-mmot-obb.yaml 等其中yolo11l-mmot-obb.yaml专为 MMOT 定向框检测设计。boxmot/configs/reid/lmbn-n-duke.yaml 是 ReID 资产示例定义了 ReID 权重、运行时默认值与预处理配置。它在实验中通过reid.ref: lmbn-n-duke被引用与 boxmot/reid/ 中的 LMBN 骨干网络实现相配合。trackers/ 与 trackers/presets/跟踪器运行时参数boxmot/configs/trackers/ 目录为每个跟踪器提供一份 YAML包含其运行时默认值与调参搜索元数据。仓库内置的跟踪器资产包括boosttrack.yamlbotsort.yamlbytetrack.yamldeepocsort.yamlhybridsort.yamloccluboost.yamlocsort.yamlsam2mot.yamlsfsort.yamlstrongsort.yaml这些跟踪器的 Python 实现分别位于 boxmot/trackers/bbox/含 boosttrack、botsort、bytetrack、deepocsort、hybridsort、occluboost、ocsort、sfsort、strongsort其中部分botsort、bytetrack、occluboost、ocsort、sfsort还提供了对应的 C 原生实现见 boxmot/native/trackers/。runtime.yaml中的tracker: bytetrack与tracker_backend: python即决定了默认加载哪一个跟踪器资产。boxmot/configs/trackers/presets/ 则存放针对特定数据集或划分产出的命名运行时参数档例如botsort-mot17-ablation.yamloccluboost-mot17-ablation.yamloccluboost-mot17-test.yamloccluboost-sportsmot-val.yaml这类 preset 与跟踪器选择是独立运行时决策的原则相呼应同一个跟踪器如 occluboost可以为不同数据集MOT17、SportsMOT与不同划分ablation、test、val分别准备一套调优后的参数档。experiments/面向用户的组合资产boxmot/configs/experiments/ 是配置体系的组装层它不复制底层资产定义而是通过引用把它们组合起来。仓库现有实验资产按数据集组织mot17/ablation 系列dpm/frcnn/precomputed/sdp/yolox 四种检测来源与 test 配置例如 ablation-yolox-lmbn.yaml、test-yolox-lmbn.yamlmot17-mini/train-yolox-lmbn.yamlmot20/ablation-yolox-lmbn.yamldancetrack/val-yolox-lmbn.yamlsportsmot/val-precomputed.yaml、val-yolox-lmbn.yamlvisdrone/val-yolox-lmbn.yamlmmot-obb/test-precomputed.yaml、test-yolo11l-lmbn.yamlmmot-obb-mini/train-yolo11l-lmbn.yaml。以 boxmot/configs/experiments/mot17/ablation-yolox-lmbn.yaml 为代表的实验资产其结构即文档中给出的组合骨架dataset.refdataset.split选定数据集与划分detections.source决定检测来源model为模型推理precomputed为预计算结果detections.model.ref与checkpoint指向检测器资产reid.ref指向 ReID 资产。这样数据集、检测器、ReID、跟踪器四类资产各归其位实验文件只做编排。CLI 使用范式--dataset 与 --experiment配置资产的最终消费方式是 BoxMOT 的命令行接口。文档给出两种互补的使用范式方式一--dataset运行时各要素由调用方控制当检测器、ReID 模型及其他运行时选择保持由调用方控制时使用--dataset显式指定数据集与划分boxmot eval --dataset mot17 --split ablation --tracker boosttrack该命令以mot17数据集、ablation划分执行评估并显式选择boosttrack跟踪器覆盖runtime.yaml中默认的bytetrack。从 boxmot/configs/runtime.yaml 的eval段可以看到dataset、split正是eval模式的专属参数。方式二--experiment按 ID 选择完整组合当希望一次性加载某实验资产定义的完整组合数据集 划分 检测来源 ReID 档时使用--experimentboxmot eval --experiment mot17-ablation-yolox-lmbn --tracker boosttrack这里mot17-ablation-yolox-lmbn是实验资产的 IDkebab-case它内部已声明使用 MOT17 的 ablation 划分、YOLOX-X 检测器ablation 检查点与 LMBN-N-Duke ReID 模型。跟踪器仍然作为独立运行时参数由命令行指定这正是跟踪器选择是独立运行时决策在 CLI 层的体现。实验资产的 ID 均遵循数据集-划分-检测器-模型的可读命名模式如mot17-mini-train-yolox-lmbn、mmot-obb-test-yolo11l-lmbn配合runtime.yaml中track、generate、eval、tune、research各模式的experiment参数用户可以将同一份组合资产复用于不同的工作流例如先用--experiment跑eval再用同一 ID 跑tune或research。与 Python 侧的衔接声明式资产与加载校验的分工整个配置体系遵循声明与行为分离的原则boxmot/configs/只存放声明式 YAML 资产加载与校验逻辑归属于持有该领域的 Python 模块。在数据集领域boxmot/data/config.py 基于CONFIG_ROOT提供iter_dataset_config_paths()、resolve_dataset_config_path()等函数负责枚举与解析数据集资产在引擎层boxmot/engine/config.py 与 boxmot/engine/experiment.py 承载实验组合的加载与运行逻辑在跟踪器领域boxmot/trackers/config.py 处理跟踪器参数而 boxmot/reid/config.py 负责 ReID 相关配置。同时tests/unit/configs/ 下的测试如 test_config_catalog.py、test_configs.py、test_dataset_config.py为这套资产体系提供了契约性验证确保每个内置配置均可被正确加载、引用可解析、字段完整——这从工程上保障了单一事实来源的可信度。总结BoxMOT 的配置资产体系boxmot/configs/是一个以单一事实来源 引用而非复制 声明与行为分离为设计原则的 YAML 配置生态运行时默认值统一收敛在runtime.yaml覆盖五种工作流的共享参数与模式专属参数数据集、检测器、ReID、跟踪器四类资产各归其位通过 id/文件名/YAML 路径三种方式被引用experiments 只做编排通过引用组合出完整的实验配置CLI 层以--dataset与--experiment两种范式消费这些资产跟踪器选择始终保持独立。这套设计让 BoxMOT 的 tracking-by-detection 工作流具备高度的可组合性与可移植性新增数据集只需在datasets/添加一份 YAML新增实验只需在experiments/写一段引用组合而所有参数均可在运行时用命令行覆盖无需修改任何 Python 代码。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考