《Journal of Imaging》：Task-Specific Detector Adaptation for Edge MOT: Tracking and Deployment Trade-Offs on the NVIDIA Jetson Nano
编辑推荐：
尽管已有多种多目标跟踪（MOT）方案被提出，但关于任务特定检测器自适应如何影响低成本边缘硬件上的跟踪质量与部署需求，可用证据有限，且未在固定跟踪与部署条件下联合评估。研究人员在4 GB NVIDIA Jetson Nano上基于MOT17基准评估MOT。实验1
尽管已有多种多目标跟踪（MOT）方案被提出，但关于任务特定检测器自适应如何影响低成本边缘硬件上的跟踪质量与部署需求，可用证据有限，且未在固定跟踪与部署条件下联合评估。研究人员在4 GB NVIDIA Jetson Nano上基于MOT17基准评估MOT。实验1为基线表征与检测器筛选阶段，在固定OC-SORT配置与同一跟踪框架下评估YOLOv8n、SSDLite320与Faster R-CNN，据此选YOLOv8进行自适应。随后用超30,000条标注行人图像记录对YOLOv8n与YOLOv8s做任务特定微调。实验2为主分析，在相同跟踪与部署协议下评估基线与自适应模型，以MOTA、IDF1、HOTA评跟踪性能，并测吞吐、系统RAM、板级功耗与每帧能耗。配对YOLOv8n比较中MOTA由15.95升至51.09，吞吐3.6降至3.5 FPS，RAM由3.3820升至3.3925 GB，平均板功4235降至4227 mW，每帧能耗增约2.7%；自适应YOLOv8s在2.5 FPS下达MOTA 55.88。所有流水线均未达常规实时视频吞吐。结果表明任务特定自适应在评估配置内显著提升跟踪性能且部署特征变化有限。
研究背景方面，多目标跟踪（MOT）作为智能监控、自动驾驶与机器人等系统的核心模块，普遍采用检测即跟踪（tracking-by-detection）范式，检测器质量直接决定关联阶段表现。现有嵌入式MOT研究多聚焦检测器架构或跟踪器设计，或在高性能平台（如Jetson AGX Xavier、FPGA）上借助量化与硬件优化实现实时，但针对低成本4 GB NVIDIA Jetson Nano这类受限平台，在固定跟踪框架与部署协议下联合评估“任务特定检测器自适应”对跟踪指标与系统级吞吐、内存、功耗、每帧能耗（Energy per Frame, EPF）的影响仍缺乏实证。该文发表于《Journal of Imaging》，其意义在于填补“检测器微调—跟踪质量—设备级部署特征”三者配对比较的空白，为边缘行人MOT配置选择提供基线依据。
关键技术方法上，研究人员设计两阶段实验：实验1在固定OC-SORT（Observation Centric SORT）流水线、MOT17测试集上，用COCO预训练权重比较YOLOv8n、SSDLite320（MobileNetV3-Large骨干）、Faster R-CNN（ResNet-50+FPN骨干）的跟踪与部署权衡；实验2选YOLOv8族，用合并行人数据集（MOT16、MOT20、Person-mfa1g转COCO格式，超30,000张，27,000训练/3,000验证，与MOT17测试序列无重叠）微调YOLOv8n与YOLOv8s各200 epoch（batch 16，分辨率640×640），再以同一OC-SORT、同一Jetson Nano 10 W MAXN配置（Ubuntu 20.04、PyTorch 1.8、FP32、GPU推理、jtop监测）评测。指标含MOTA、IDF1、HOTA及FPS、系统RAM、板功、EPF（EPF=平均功率/FPS）。
研究结果部分，4.1实验1基线表征与检测器筛选中，Faster R-CNN获最高MOTA（34.36）、IDF1（38.10）、HOTA（32.00）但仅0.4 FPS；SSDLite320吞吐最高5.0 FPS、EPF最低840.2 mJ/帧但跟踪指标最差；YOLOv8n居中（MOTA未直接列于实验1但实验2基线为15.95，实验1中间档），3.6 FPS，EPF 1176.4 mJ/帧，板功4201–4252 mW、RAM≈3.38 GB各配置接近。结论：检测器选择带来跟踪/部署权衡，YOLOv8因平衡性被选作自适应对象。4.2实验2任务特定检测器自适应中，配对YOLOv8n显示MOTA由15.95增至51.09（+35.14百分点），IDF1/HOTA/MOTP/IDR均升，IDP相近；吞吐3.6→3.5 FPS，RAM 3.3820→3.3925 GB，板功4235→4227 mW，EPF 1176.39→1207.71 mJ/帧（＋2.7%）；YOLOv8s达MOTA 55.88@2.5 FPS，EPF 1688.40 mJ/帧。结论：任务特定微调大幅提升跟踪质量，架构与推理设置不变时部署特征仅微变，能耗差异主要由吞吐而非瞬时功率驱动。
讨论部分指出，RQ1答：固定OC-SORT下检测器间跟踪与部署权衡明显，Faster R-CNN跟踪优、SSD省能快，YOLOv8居中；EPF跨配置差超十倍，证明延迟主导能耗。RQ2答：自适应在固定协议下提MOTA三十余点，RAM/板功持平，EPF微增，说明检测质量提升直接传导至关联阶段。局限性含未控输入分辨率、未做TensorRT/FP16/INT8、未重复试验取离散度、系统级测量未隔离组件、MOT16/MOT17训练序列冗余虽非泄漏但可能影响微调权重。结论翻译：本研究在Jetson Nano上考察MOT的任务特定检测器自适应；配置间跟踪—部署权衡各异，YOLOv8居中入选；配对YOLOv8n的MOTA升35.14百分点而RAM/板功可比，表明自适应提跟踪且部署特征变化有限；所有流水线0.4–5.0 FPS未达常规实时，结果属FP32 PyTorch基线而非硬件上限；成果限于所评检测器-OC-SORT-MOT17-Jetson Nano组合，为边缘行人MOT提供实证基线。
