- 全称：University at Albany DETection and TRacking（UA‑DETRAC）
- 定位：面向车辆检测与多目标跟踪（MOT）的大规模真实交通视频基准，广泛用于智能交通、监控和自动驾驶等视觉任务。
1. 数据规模与采集
- 视频数量：100 条，来源于中国北京和天津的 24 个不同路口（十字路口、T 型路口等）。
- 时长：约 10 小时，帧率 25 fps，分辨率 960 × 540 px。
- 帧数：超过 140 000 帧。
- 车辆实例：8 250 辆，手工标注的车辆边界框总计约 1 210 000 个。
2. 标注内容与属性
每个车辆框都附带丰富的属性标签，便于细粒度评估：
- 车辆类型：car、bus、van、others 等。
- 光照条件：Sunny、Cloudy、Rainy、Night 等。
- 尺度、遮挡比例、截断比例 等连续属性。
- 天气、场景（如雨天、夜间、城市高速、交叉口）。
3. 数据划分
4. 下载与获取方式
- 官方主页 & 下载链接：
http://detrac-db.rit.albany.edu/（提供原始视频、帧图像、标注文件）。 - Roboflow 镜像：UA‑DETRAC‑DATASET‑10K，已整理为 10 k 张图像，适合快速实验。
- GitHub 转换工具：提供将原始 UA‑DETRAC 转为 YOLO、YOLOv5、YOLOv8 等常用格式的脚本，帮助直接用于模型训练。
5. 典型使用场景
- 车辆检测：评估检测器在不同天气、遮挡、尺度下的精度与召回率。
- 多目标跟踪：结合检测器与跟踪算法，使用 UA‑DETRAC 提出的 PR‑MOTA、PR‑MOTP 等指标完整评估 MOT 系统性能。
- 算法基准：多篇论文将其作为基准，对比 DPM、ACF、R‑CNN、CompACT 等检测器以及 GOG、CEM、H²T 等跟踪器的表现。
6. 相关资源与社区
| 资源 | 说明 |
|---|---|
| 官方文档 & 论文 | “UA‑DETRAC: A new benchmark and protocol for multi‑object detection and tracking”（Computer Vision and Image Understanding） |
| GitHub 转换脚本 | UA-DETRAC-Format-Converter，支持 YOLOv5/YOLOv8 等格式 |
| Roboflow 数据集 | 已预处理的 10 k 图像版本，便于快速下载和在线推理 |
| CSDN 教程 | 数据集转 YOLO 格式的完整步骤与下载链接 |
| 多目标跟踪资源整理 | 包含下载地址、属性统计、使用示例的博客文章 |
小结
UA‑DETRAC 是目前最具挑战性的车辆检测与跟踪基准之一，拥有丰富的场景、天气和遮挡属性，适合评估和推动智能交通视觉算法的研发。通过官方主页或社区镜像即可获取完整数据，配套的格式转换工具进一步降低了使用门槛。
声明：文章均为AI生成，请谨慎辨别信息的真伪和可靠性！