什么是 多对象跟踪准确率（MOTA）？
多对象跟踪准确率（MOTA）是一种 CLEAR MOT 得分：它从 Ground Truth Detection 总数中扣除漏检、虚假 Detection 与身份切换造成的归一化误差。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
先按评测协议匹配，再统计误差
Evaluator 在每一帧为合格的 Ground Truth 与预测 Detection 建立一对一 Matching。合格条件由 Localization Similarity 与阈值决定，例如 Bounding-box IoU 不低于 0.5。未匹配真值计为 FN，未匹配预测计为 FP；同一真实身份从上一次匹配的预测身份切换到另一个身份时，则按 Evaluator 约定计一次 ID Switch。
CLEAR MOT 原始论文定义了这一指标族。现代实现可能在 Ignore Handling、连续性规则与聚合上不同，因此只有公式不足以完整复现实验。
计算 MOTA 并同时查看误差分解
MOTA = 1 - (FN + FP + IDSW) / GT，其中 GT 是全部评测序列中的 Ground Truth Detection 总数；等价写法是 MOTA = (TP - FP - IDSW) / (TP + FN)。完美值为 1，当总误差超过 GT 时结果为负，0 并不是通用随机基线。
下方 Go 示例先汇总计数再求比值，这是正确的 Micro-average 模式。若不遵守 Benchmark 指定权重，直接平均逐帧或逐序列 MOTA，会得到另一种结果。
用关联与定位证据补足 MOTA
TrackEval 的 CLEAR 实现先延续上一帧 Match，再优化 Localization Similarity，随后计算 TP、FN、FP 与 IDSW。Class Filter、Ignore Region、Similarity Threshold 和身份切换定义都会实质影响可复现性。
MOTA 对每个 FN、FP 与 IDSW 使用相同加法成本，而 Detection Error 通常远多于身份切换。应同时报告 HOTA 或 IDF1 解释 Association，使用 MOTP 或 LocA 解释定位，并补充业务安全与时延指标，不能把 MOTA 当成完整质量保证。
主要特点
- 组合 False Negative、False Positive 与 Identity Switch
- 按 Ground Truth Detection 总数归一化误差
- 上界为一且可以出现任意负分
- 依赖逐帧 Matching 与切换统计约定
- 通常比 Association 更强地反映 Detection 质量
- 不包含合格 Match 内部的定位质量
常见用途
- 复现 CLEAR MOT 与 MOTChallenge 评测
- 在同一固定协议下比较 Tracker 误差计数
- 审计漏检与虚假 Detection 对 Tracker 的影响
- 监测既有 Tracking Pipeline 的回归
- 与 HOTA、IDF1 一起报告历史主指标
示例
Loading code...常见问题
MOTA 如何计算？
先汇总评测集上的 FN、FP 与 IDSW，用三者之和除以 Ground Truth Detection 总数，再用一减去该比值。除非 Benchmark 明确规定其他权重，否则应先汇总计数再做除法。
MOTA 为什么会是负数？
MOTA 的上界是 `1`，却没有有限下界。当 FN、FP 与 IDSW 的总数超过 Ground Truth Detection 数量时，误差比值大于一，MOTA 就会变成负数。
MOTA 能准确反映身份一致性吗？
只能部分反映。它会计入 Identity Switch，但一次切换与一次漏检或虚警的成本相同。Detection Error 往往数量更大，因此 MOTA 可能掩盖显著的 Association 差异。
MOTA 与 MOTP 有什么区别？
MOTA 统计漏检、虚假 Detection 与身份切换；MOTP 只在已接受 Match 上平均 Localization Similarity 或 Distance。因此 Tracker 可能有高 MOTP、低 MOTA，也可能相反。
不同 Benchmark 的 MOTA 可以直接比较吗？
通常不能。只有数据集、类别过滤、Ignore Region、定位表示、Matching Threshold、Switch Definition、Sequence Aggregation 与 Evaluator Version 兼容时，底层计数才具有可比性。