Awesome GitHub RepositoriesObject Tracking Frameworks

This project is a modular research toolkit designed for developing, training, and evaluating deep learning models for object detection, segmentation, and video instance tracking. It provides a flexible training engine that manages complex neural network execution, including distributed training, custom lifecycle hooks, and weight optimization. The framework is built around a hierarchical configuration system that allows users to define architectures, data pipelines, and training hyperparameters through composable, inheritable files. The project distinguishes itself through its highly modular

This project is a foundation model and research toolkit designed for promptable object segmentation and temporal tracking. It provides a unified framework for isolating specific regions or objects within both static images and dynamic video sequences. The system distinguishes itself through a streaming memory architecture that maintains temporal consistency by storing and retrieving object features across frames. This mechanism allows the model to resolve occlusions and preserve object identity even when targets move out of view or change appearance. By utilizing a shared backbone for both im

Boxmot is a multi-object tracking framework designed to follow multiple objects across video frames using motion and appearance algorithms to maintain consistent identities. It functions as a system for tracking objects with specific orientations using rotated bounding boxes and corresponding intersection-over-union computations. The project includes a re-identification model optimizer that converts neural networks into formats for hardware-accelerated execution. It also features an evolutionary hyperparameter tuner that iteratively mutates tracker settings to maximize accuracy for specific d

ByteTrack is a multi-object tracking framework that implements the ByteTrack algorithm, an ECCV 2022 method designed to recover occluded objects and reduce trajectory fragmentation. The core innovation of the project is its association algorithm, which processes every detection box—including low-confidence ones—by using separate high and low score thresholds, Kalman filter motion prediction, and Hungarian algorithm matching to produce consistent object identities across video frames. The project distinguishes itself by its comprehensive approach to handling occlusions and fragmented trajector

DeepSORT est un framework de suivi multi-objets en temps réel conçu pour maintenir des identités cohérentes de plusieurs objets à travers les frames vidéo. Il intègre des caractéristiques d'apparence de deep learning avec des descripteurs de mouvement pour suivre les objets à travers une séquence de données vidéo. Le système utilise un réseau de neurones convolutif profond pour générer des descripteurs visuels de haute dimension pour la ré-identification de personnes. Ces caractéristiques d'apparence sont combinées avec l'estimation de mouvement via le filtrage de Kalman et résolues en utilisant l'algorithme hongrois pour associer de manière optimale les détections aux pistes existantes. Le framework inclut des capacités pour le filtrage d'association basé sur le gating et la gestion de pistes basée sur l'état pour gérer les cycles de vie des objets. Il fournit également des outils pour rendre les résultats de suivi sur les frames vidéo et évaluer les performances de suivi par rapport à des benchmarks établis.

pysot is a computer vision framework designed for single object tracking. It provides a platform for implementing and evaluating algorithms that locate and follow specific target objects across sequences of video frames. The project includes implementations of the SiamRPN architecture for region proposal network based localization and the SiamMask model, which combines tracking with binary mask generation to provide pixel-level segmentation of objects. The framework also contains a visual tracking evaluation toolkit used to measure the accuracy and reliability of tracking algorithms against

FairMOT est un framework de suivi multi-objets et un modèle de deep learning conçu pour identifier et suivre plusieurs entités à travers des images vidéo. Il implémente un pipeline unifié qui intègre la détection d'objets et la ré-identification d'identité dans un réseau conjoint à étape unique. Le système utilise une méthode de détection sans ancres pour prédire les centres des objets et les dimensions des boîtes englobantes. Il maintient la cohérence de l'identité à travers les images consécutives en générant des vecteurs d'embedding de haute dimension pour la ré-identification et en employant un filtre de Kalman pour la prédiction de l'état de mouvement. Le framework couvre un large éventail de capacités en vision par ordinateur, incluant la détection d'objets en temps réel et l'utilisation de l'algorithme hongrois pour l'assignation des trajectoires. Il inclut également des utilitaires pour entraîner des modèles sur des jeux de données d'images personnalisés et générer des visualisations vidéo avec des boîtes englobantes superposées et des identifiants persistants.

mmtracking is a PyTorch video perception framework designed for training and deploying computer vision models that analyze sequential image data. It provides specialized tools for multi-object tracking, video instance segmentation, and a configuration-driven system for managing deep learning models. The project utilizes a deep learning model registry and a configuration-driven pipeline to swap model backbones and detectors without modifying the core codebase. This modular approach allows for the development of custom perception architectures by combining various components and configurations.

This project is a multi-object tracking library and computer vision toolkit designed to maintain consistent identity IDs for objects across video frames. It provides a motion-based object tracking system that converts raw detections into stable temporal tracks, enabling the analysis of object movement and behavior over time. The toolkit distinguishes itself through advanced identity maintenance, utilizing Kalman filters for linear motion tracking and sparse optical flow for camera motion estimation. It features multi-stage object association to recover occluded objects and non-linear motion t

Ce projet est un pipeline de vision par ordinateur qui intègre la détection et le suivi d'objets pour surveiller des objets en mouvement au sein de flux vidéo. Il fonctionne comme un outil d'analyse de bout en bout qui traite les images vidéo pour identifier, classifier et maintenir l'identité unique des objets à mesure qu'ils se déplacent dans une scène. Le système utilise une combinaison d'inférence de deep learning pour la détection et d'estimation de mouvement pour assurer la continuité temporelle. En associant des descripteurs d'apparence visuelle à une modélisation prédictive du mouvement, il maintient les identités des objets même pendant des occlusions temporaires ou lorsque le chevauchement spatial est insuffisant. Le framework emploie un traitement séquentiel pour synchroniser les résultats de détection avec la logique de suivi, permettant une surveillance cohérente des patterns de mouvement. Au-delà du suivi de base, le logiciel inclut des capacités pour quantifier l'activité au sein d'un flux vidéo. Il prend en charge le calcul des totaux d'objets ou de véhicules à mesure qu'ils franchissent des lignes désignées ou entrent dans des zones spécifiques. L'implémentation est structurée comme un framework de développement pour construire des applications de vision personnalisées qui interprètent et extraient des données d'environnements dynamiques.