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 एक रियल-टाइम मल्टी-ऑब्जेक्ट ट्रैकिंग फ़्रेमवर्क है जिसे वीडियो फ़्रेम में कई ऑब्जेक्ट्स की सुसंगत पहचान बनाए रखने के लिए डिज़ाइन किया गया है। यह वीडियो डेटा के अनुक्रम के माध्यम से ऑब्जेक्ट्स को ट्रैक करने के लिए मोशन डिस्क्रिप्टर्स के साथ डीप लर्निंग अपीयरेंस सुविधाओं को इंटीग्रेट करता है। सिस्टम व्यक्ति की पुन: पहचान (re-identification) के लिए उच्च-आयामी विज़ुअल डिस्क्रिप्टर्स उत्पन्न करने के लिए एक डीप कन्वेन्शनल न्यूरल नेटवर्क का उपयोग करता है। इन अपीयरेंस सुविधाओं को Kalman फ़िल्टरिंग के माध्यम से मोशन एस्टिमेशन के साथ जोड़ा जाता है और मौजूदा ट्रैक्स के साथ डिटेक्शन्स को बेहतर ढंग से जोड़ने के लिए हंगेरियन एल्गोरिदम का उपयोग करके हल किया जाता है। फ़्रेमवर्क में ऑब्जेक्ट लाइफसाइकिल को संभालने के लिए गेटिंग-आधारित एसोसिएशन फ़िल्टरिंग और स्टेट-आधारित ट्रैक प्रबंधन के लिए क्षमताएं शामिल हैं। यह वीडियो फ़्रेम पर ट्रैकिंग रिज़ल्ट्स को रेंडर करने और स्थापित बेंचमार्क के खिलाफ ट्रैकिंग प्रदर्शन का मूल्यांकन करने के लिए टूल्स भी प्रदान करता है।

pysot सिंगल ऑब्जेक्ट ट्रैकिंग के लिए डिज़ाइन किया गया एक कंप्यूटर विज़न फ्रेमवर्क है। यह उन एल्गोरिदम को लागू करने और उनका मूल्यांकन करने के लिए एक प्लेटफ़ॉर्म प्रदान करता है जो वीडियो फ़्रेम के अनुक्रमों में विशिष्ट लक्ष्य वस्तुओं का पता लगाते हैं और उनका अनुसरण करते हैं। प्रोजेक्ट में रीजन प्रपोजल नेटवर्क-आधारित लोकलाइजेशन के लिए SiamRPN आर्किटेक्चर और SiamMask मॉडल के इम्प्लीमेंटेशन शामिल हैं, जो वस्तुओं के पिक्सेल-स्तर के सेगमेंटेशन प्रदान करने के लिए ट्रैकिंग को बाइनरी मास्क जनरेशन के साथ जोड़ता है। फ्रेमवर्क में एक विज़ुअल ट्रैकिंग मूल्यांकन टूलकिट भी शामिल है जिसका उपयोग मानक उद्योग डेटासेट के खिलाफ ट्रैकिंग एल्गोरिदम की सटीकता और विश्वसनीयता को मापने के लिए किया जाता है।

FairMOT एक मल्टी-ऑब्जेक्ट ट्रैकिंग फ्रेमवर्क और डीप लर्निंग मॉडल है जिसे वीडियो फ्रेम्स में कई संस्थाओं की पहचान करने और ट्रैक करने के लिए डिज़ाइन किया गया है। यह एक एकीकृत पाइपलाइन लागू करता है जो ऑब्जेक्ट डिटेक्शन और आइडेंटिटी री-आइडेंटिफिकेशन को एक सिंगल-स्टेज जॉइंट नेटवर्क में एकीकृत करता है। यह सिस्टम ऑब्जेक्ट सेंटर्स और बाउंडिंग बॉक्स आयामों की भविष्यवाणी करने के लिए एक एंकर-फ्री डिटेक्शन विधि का उपयोग करता है। यह री-आइडेंटिफिकेशन के लिए उच्च-आयामी एम्बेडिंग वेक्टर्स उत्पन्न करके और मोशन स्टेट प्रेडिक्शन के लिए Kalman फिल्टर का उपयोग करके लगातार फ्रेम्स में पहचान स्थिरता बनाए रखता है। यह फ्रेमवर्क कंप्यूटर विज़न क्षमताओं की एक विस्तृत श्रृंखला को कवर करता है, जिसमें रीयल-टाइम ऑब्जेक्ट डिटेक्शन और ट्रैकलेट असाइनमेंट के लिए Hungarian एल्गोरिदम का उपयोग शामिल है। इसमें कस्टम इमेज डेटासेट्स पर मॉडल्स को प्रशिक्षित करने और ओवरलेड बाउंडिंग बॉक्स और पर्सिस्टेंट आइडेंटिफायर्स के साथ वीडियो विज़ुअलाइज़ेशन उत्पन्न करने के लिए यूटिलिटीज भी शामिल हैं।

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

यह प्रोजेक्ट एक कंप्यूटर विजन पाइपलाइन है जो वीडियो स्ट्रीम के भीतर चलती वस्तुओं की निगरानी के लिए ऑब्जेक्ट डिटेक्शन और ट्रैकिंग को इंटीग्रेट करती है। यह एक एंड-टू-एंड एनालिटिक्स टूल के रूप में कार्य करता है जो वस्तुओं की पहचान, वर्गीकरण और अद्वितीय पहचान बनाए रखने के लिए वीडियो फ्रेम को प्रोसेस करता है क्योंकि वे एक दृश्य के माध्यम से चलते हैं। सिस्टम डिटेक्शन के लिए डीप लर्निंग इन्फरेंस और अस्थायी निरंतरता सुनिश्चित करने के लिए गति अनुमान के संयोजन का उपयोग करता है। विज़ुअल उपस्थिति विवरणकों को भविष्य कहनेवाला गति मॉडलिंग के साथ जोड़कर, यह अस्थायी ऑक्लूजन के दौरान या जब स्थानिक ओवरलैप अपर्याप्त होता है, तब भी वस्तु पहचान बनाए रखता है। फ्रेमवर्क ट्रैकिंग तर्क के साथ डिटेक्शन परिणामों को सिंक्रोनाइज़ करने के लिए अनुक्रमिक प्रसंस्करण का उपयोग करता है, जो आंदोलन पैटर्न की सुसंगत निगरानी की अनुमति देता है। बुनियादी ट्रैकिंग से परे, सॉफ्टवेयर में वीडियो फीड के भीतर गतिविधि को मापने के लिए क्षमताएं शामिल हैं। यह कुल वस्तु या वाहन गणना का समर्थन करता है क्योंकि वे निर्दिष्ट लाइनों को पार करते हैं या विशिष्ट क्षेत्रों में प्रवेश करते हैं। कार्यान्वयन को कस्टम विजन एप्लिकेशन बनाने के लिए एक डेवलपमेंट फ्रेमवर्क के रूप में संरचित किया गया है जो डायनामिक वातावरण से डेटा की व्याख्या और निष्कर्षण करते हैं।