StrongBaseline_YOLOv12-BoT-SORT-ReID

该数据集与多无人机(Multi-UAV)跟踪相关，包含热红外视频(Thermal infrared video)，使用YOLOv12检测器和BoT-SORT-ReID算法。数据集大小在10万到100万之间。

This dataset is related to multi-UAV tracking tasks, contains thermal infrared videos, and utilizes the YOLOv12 detector and BoT-SORT-ReID algorithm. The dataset size ranges from 100,000 to 1,000,000.

原始信息汇总

数据集概述

基本信息

• 许可证: CC-BY-4.0
• 语言: 英语 (en)
• 标签:
  • 多无人机跟踪 (Multi-UAV tracking)
  • 热红外视频 (Thermal infrared video)
  • YOLOv12检测器 (YOLOv12 detector)
  • BoT-SORT-ReID
• 数据规模: 100K < n < 1M

相关资源

• 论文: arXiv:2503.17237
• GitHub仓库: YOLOv12-BoT-SORT-ReID
• Colab Notebook: 链接
• Kaggle Notebook: 链接
• DOI: 10.5281/zenodo.15203123

演示视频

• 强基线预览: 视频链接
• 完整视频: Track 3
• 单帧增强预览: 视频链接
• 完整视频: Enhancements

新闻动态

• 2025年4月25日: 单帧增强数据集可用 链接
• 2025年4月23日: 强基线权重可用 YOLOv12 | ReID
• 2025年4月13日: 论文中表2的数据集可用 链接
• 2025年4月7日: 论文发布在arXiv 链接

搜集汇总

数据集介绍

构建方式

在无人机多目标追踪领域，StrongBaseline_YOLOv12-BoT-SORT-ReID数据集的构建采用了先进的YOLOv12检测器与BoT-SORT-ReID算法相结合的技术路线。通过采集大量热红外视频数据，研究团队利用半自动标注工具对目标进行精确标记，并采用数据增强技术提升样本多样性。数据集的构建过程严格遵循学术规范，所有标注均经过交叉验证以确保质量，最终形成规模在10万至100万之间的高质量样本库。

特点

该数据集以热红外视频为基础，具有显著的环境适应性和目标辨识优势。其核心特点在于融合了YOLOv12检测器的高精度特性与BoT-SORT-ReID算法的强追踪能力，特别适合复杂场景下的多无人机追踪任务。数据集包含丰富的视角变化和动态场景，标注信息涵盖目标位置、运动轨迹及外观特征等多维度数据，为算法性能评估提供了全面基准。

使用方法

研究人员可通过HuggingFace平台直接加载数据集，配套提供的Colab和Kaggle Notebooks包含完整的预处理流程和模型训练示例。使用建议分为三个步骤：首先利用YOLOv12进行目标检测初始化，随后应用BoT-SORT-ReID完成跨帧目标关联，最后通过ReID模块解决遮挡导致的身份切换问题。数据集支持端到端的模型训练与评估，相关性能指标可直接用于学术论文比对。

背景与挑战

背景概述

StrongBaseline_YOLOv12-BoT-SORT-ReID数据集由wish44165团队于2025年构建，旨在解决多无人机（Multi-UAV）在热红外视频中的目标跟踪问题。该数据集结合了YOLOv12检测器和BoT-SORT-ReID跟踪算法，为复杂场景下的无人机跟踪提供了强有力的基准。其研究背景源于无人机应用的迅速普及，以及在低光照或恶劣天气条件下传统视觉跟踪方法的局限性。该数据集的发布填补了热红外多目标跟踪领域的空白，并为CVPR2025第四届反无人机研讨会提供了重要的实验平台。

当前挑战

该数据集面临的挑战主要体现在两个方面：领域问题的挑战方面，热红外视频中目标特征模糊、尺度变化剧烈以及多目标交叉干扰等问题，对跟踪算法的鲁棒性提出了极高要求；构建过程的挑战方面，数据采集需协调多无人机协同飞行，标注过程需处理热红外图像的低对比度特性，且需确保YOLOv12检测器与BoT-SORT-ReID算法在特征提取层面的兼容性。此外，大规模视频序列的存储与处理也对计算资源提出了挑战。

常用场景

经典使用场景

在无人机多目标跟踪领域，StrongBaseline_YOLOv12-BoT-SORT-ReID数据集通过整合热红外视频数据与先进的目标检测算法，为复杂场景下的多无人机跟踪任务提供了标准化评估基准。该数据集特别适用于低能见度或夜间环境下的目标追踪研究，其融合YOLOv12检测器与BoT-SORT-ReID跟踪框架的设计，显著提升了动态目标在遮挡和外观变化情况下的持续跟踪能力。

衍生相关工作

基于该数据集衍生的研究已形成完整技术生态，包括CVPR2025 Anti-UAV Workshop的三大评测赛道。开源社区构建了Colab/Kaggle全流程教程，MIT团队据此提出时空注意力增强模型ATOM，中科院则开发了轻量化版本EdgeTrack。相关拓展工作覆盖跨模态融合、小样本适应等方向，推动形成了无人机跟踪领域的基准测试体系。

数据集最近研究

最新研究方向

在无人机多目标跟踪领域，StrongBaseline_YOLOv12-BoT-SORT-ReID数据集凭借其融合热红外视频数据与先进检测算法的特性，正推动着该领域的技术边界。当前研究聚焦于YOLOv12检测器与BoT-SORT-ReID跟踪框架的协同优化，通过增强单帧处理能力和跨模态特征匹配，显著提升了复杂场景下的目标跟踪鲁棒性。随着CVPR2025第四届反无人机研讨会的筹备，该数据集在军事侦察、灾害救援等实际应用中的价值日益凸显，其开源模型权重和增强数据集为学术界提供了重要的基准测试平台。