基准测试与模型库

通用设置

我们默认使用分布式训练。
所有 pytorch 类型的预训练骨干网络都是来自 Pytorch 的模型库。
为了与其他代码库进行公平比较，我们以全部 8 个 GPU 的 torch.cuda.max_memory_allocated() 的最大值作为 GPU 显存使用量。请注意，此值通常小于 nvidia-smi 显示的值。
该推理时间不包含数据加载时间，推理时间结果是通过脚本 tools/analysis/benchmark.py 获得的，该脚本计算处理 2000 张图像的平均时间。
速度基准测试的环境如下：

硬件环境：
- 8 NVIDIA Tesla V100 (32G) GPUs
- Intel(R) Xeon(R) Gold 6148 CPU @ 2.40GHz
软件环境：
- Python 3.7
- PyTorch 1.5
- CUDA 10.1
- CUDNN 7.6.03
- NCCL 2.4.08

视频目标检测基线

DFF (CVPR 2017)

详情请参考 DFF。

FGFA (ICCV 2017)

详情请参考 FGFA。

SELSA (ICCV 2019)

详情请参考 SELSA。

Temporal RoI Align (AAAI 2021)

详情请参考 Temporal RoI Align。

多目标跟踪基线

SORT/DeepSORT (ICIP 2016/2017)

详情请参考 SORT/DeepSORT。

Tracktor (ICCV 2019)

详情请参考 Tracktor。

QDTrack (CVPR 2021)

详情请参考 QDTrack。

ByteTrack (ECCV 2022)

详情请参考 ByteTrack。

OC-SORT (ArXiv 2022)

详情请参考 OC-SORT。

单目标跟踪基线

SiameseRPN++ (CVPR 2019)

详情请参考 SiameseRPN++。

STARK (ICCV 2021)

详情请参考 STARK。

MixFormer (CVPR 2022)

详情请参考 MixFormer。

视频个例分割基线

MaskTrack R-CNN (ICCV 2019)

详情请参考 MaskTrack R-CNN。