Yolo Tracking项目中YOLOv10x在MOT17数据集上的性能分析

背景介绍

Yolo Tracking是一个基于YOLO系列目标检测算法的多目标跟踪框架，它整合了多种跟踪方法如BoT-SORT和ByteTrack等。在实际应用中，用户发现使用YOLOv10x作为检测器在MOT17数据集上表现不佳，特别是对于小目标场景。

性能问题分析

当使用默认配置运行Yolo Tracking的验证脚本时，YOLOv10x在MOT17数据集上的表现确实不尽如人意。具体指标如下：

• HOTA(高阶跟踪准确率)：25.661
• MOTA(多目标跟踪准确率)：18.76
• IDF1(身份F1分数)：22.929

经过深入分析，我们发现这种低性能表现主要源于两个关键因素：

1. 目标尺寸影响：YOLOv10x在MOT17-9序列(包含较大目标)上表现良好，但在MOT17-13序列(包含大量小目标)上表现较差。这表明YOLOv10x对小目标的检测能力存在不足。

2. 训练数据差异：官方README中展示的优秀结果实际上是使用YOLOX-X模型生成的，该模型按照ByteTrack论文的方法在CrowdHuman数据集和MOT17训练集的一半数据上进行了专门训练。

解决方案

针对上述问题，我们推荐以下解决方案：

1. 使用YOLOX-X替代YOLOv10x：

   • 执行命令：python tracking/val.py --benchmark MOT17 --yolo-model yolox_m.pth --tracking-method bytetrack --source tracking/val_utils/data/MOT17/train
   • YOLOX-X经过专门训练，更适合MOT17数据集

2. 针对小目标的优化：

   • 考虑使用更高分辨率的输入
   • 调整anchor大小以适应小目标
   • 增加对小目标的训练数据

3. 模型选择建议：

   • 对于大目标场景，YOLOv10x仍然是不错的选择
   • 对于复杂场景特别是小目标密集场景，建议使用专门训练的YOLOX-X

技术实现细节

值得注意的是，在使用YOLOX模型时可能会遇到预处理模块导入错误的问题。这是因为YOLOX需要特定的预处理操作，而某些环境可能缺少相关依赖。解决这个问题需要确保：

1. 正确安装所有依赖项
2. 检查boxmot.utils.ops模块是否包含yolox_preprocess函数
3. 确认使用的YOLOX模型权重文件完整且正确

结论

在目标跟踪项目中，检测器的选择对最终性能有着决定性影响。YOLOv10x虽然是最新的YOLO系列模型，但在特定数据集上可能不是最佳选择。开发者应当根据实际场景需求选择合适的检测器，必要时进行针对性训练以获得最佳性能。对于MOT17这样的标准多目标跟踪数据集，使用经过专门训练的YOLOX-X模型能够获得更好的跟踪效果。