---
title: sort
canonical_url: "https://www.modelscope.cn/models/limengying/sort"
md_url: "https://www.modelscope.cn/models/limengying/sort.md"
repository: limengying/sort
last_updated: 2025-08-15
library_name:
- pytorch
frameworks:
- Pytorch
downloads: 2
stars: 0
---
# sort
> sort - limengying 在 ModelScope 开源的模型。目标跟踪优化算法
- **Repository**: limengying/sort
- **Downloads**: 2
- **Stars**: 0
- **Last updated**: 2025-08-15
Source: https://www.modelscope.cn/models/limengying/sort
---
# 方案名
## 2. 方案简介
### 2.1 算法流程介绍
#### 2.1.1. 模型或算法背景：年份，来源，解决什么问题，在同类算法中的精度/耗时评价（可提取paper中的表格或散点图）
> **年份** ：2016
> **来源** ：Chen Y, Lai Y K, Liu Y J, 2018. CartoonGAN: Generative Adversarial Networks for Photo Cartoonization[C/OL]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. 9465-9474[2025-06-16]. [https://ieeexplore.ieee.org/document/8579084](https://ieeexplore.ieee.org/document/8579084). DOI:[10.1109/CVPR.2018.00986](https://doi.org/10.1109/CVPR.2018.00986).
> **问题背景** ：
> 在多目标跟踪任务中，尤其是在自动驾驶、机器人等实时性强的应用场景下，传统的方法往往过于复杂，如联合概率数据关联（JPDA）、多假设跟踪（MHT）等，虽然精度高，但计算开销大，不适合实时执行。`SORT`是多目标跟踪中极简主义的典范，仅依赖运动信息实现高效数据关联，奠定了“检测即跟踪”的方法基础
#### 2.1.2. 算法流程梳理（必须使用流程框图）
> 
#### 2.1.3. 模型结构上的创新与意义
> SORT首次提出卡尔曼滤波+IoU代价计算+匈牙利匹配这一跟踪范式，深远影响了deepsort、bytetrack等模型。
#### 2.1.4. 前后处理，或一些其他机制介绍（最好使用流程图）
> 前处理包括将原图重采样、BGR->RGB以及归一化；
> 后处理包括置信度阈值筛选、边界框解码以及NMS；SORT跟踪部分包括卡尔曼滤波预测与更新、对每个检测框和预测框进行IoU运动匹配代价的计算形成匹配代价矩阵、匈牙利算法匹配，以及最后的新轨迹生成与旧轨迹丢弃。
### 2.2 硬件资源分配
> 
## 3. 模型导出说明
> SORT是跟踪后处理算法，没有自己的模型需要导出，crt中检测器使用
> 本项目中提供了`crowdhuman.pt`，对yolov5用crowdhuman数据集进行训练，模型导出请将`weights\crowdhuman.pt`复制到modelzoo中`yolov5_7.0项目`并导出，将导出后文件复制到`2_compile\fmodel`
## 4. cpu处理部分c++工程移植说明
> - Psin工程中CPU环节负责前后处理
> - **在3_deploy/modelzoo中，本项目用相同框架与头文件实现了`sort、deepsort以及bytetrack`并在进行了简单的精度测试**。CPU：i7-11800H@2.30GHz
| 算法 | fps |num_frames | IDF1 | IDP | IDR | Rcll | Prcn | GT | MT | PT | ML | FP | FN | IDsw | FM | MOTA | MOTP |
| --------- | - |---------- | ------------------ | ----------------- | ------------------ | ------------------ | ------------------ | ---- | ------------ | ----------- | ----------- | ------------- | ------------- | ------------ | ------------ | ------------------ | ------------------ |
| sort | **0.984** | 525 | 0.461642 | 0.461066 | 0.462219 | 0.806191 | 0.804181 | 5201 | 22 | 9 | **3** | 1021 | 1008 | 119 | 93 | 0.587002 | 0.177892 |
| bytetrack | 0.977 |525 | **0.533672** | **0.52308** | 0.544703 | 0.898866 | **0.863183** | 5201 | 24 | **6** | 4 | **741** | 526 | **51** | 55 | **0.746587** | **0.177072** |
| deepsort | 0.213588 |525 | 0.516827 | 0.469802 | **0.574313** | **0.927898** | 0.759044 | 5201 | **25** | **6** | **3** | 1532 | **375** | 77 | **50** | 0.618535 | 0.183301 |
> - 各环节耗时，取 ``适配阶段仿真``耗时结果。
>
> | 目标检测 | sort跟踪 |
> | ------ | ---------- |
> | 948.96ms | 0.62ms |