我们擅长商业策略与用户体验的完美结合。
欢迎浏览我们的案例。
Meta 最新推出的视频跟踪工具CoTracker，发布没多久就在 GitHub 上斩获了 1.4k 星标。
从官方发布的几个 DEMO 来看，效果还是很震撼的。
对这个新“玩具”，有网友评论说，它不仅能改变物体追踪技术，也将在体育(动作)分析、野生动物追踪，甚至电影后期领域掀起一场新的革命。
不过，在线 DEMO 是个简易版本，还不支持自定义跟踪位置，只能根据输入的跟踪数量等距分配。
但是如果自己部署、用代码操纵的话，就可以设置任意跟踪点了。
说到这我们正好来看一下 CoTracker 该怎么部署。
首先是 Colab 版本，我们刚刚说到的自定义跟踪点也在 Colab 当中。
Colab 的过程不必过多介绍，进入之后运行笔记中的代码就可以了。
而如果想自己动手的话，最简单的方式是从 torch.hub 中直接调用已完成预训练的版本。
如果要对模型进行评估或训练，那么使用 GitHub Repo 更为合适。
首先要安装一下程序和相关依赖：
然后下载模型：
有关评估和训练的方式，可以到 GitHub 项目页来查看，链接放在了文末。
那么，CoTracker 又是怎么实现像素级追踪的呢?
评分超过 DINOv2
虽然都是追踪，但 CoTracker 和物体追踪模型有很大区别。
CoTracker 并没有基于语义理解对视频中物体进行分割的过程，而是把重点放在了像素点上。
底层方面，CoTracker 采用了 Transformer 架构。
Transformer 编码了视频中点的跟踪信息，并迭代更新点的位置。
推理上，CoTracker 还采用了一种窗口机制，在时间轴上划分出滑动窗口。
CoTracker 使用上个窗口的输出对后面的窗口进行初始化，并在每个窗口上运行多次 Transformer 迭代。
这样就使得 CoTracker 能够对更长的视频进行像素级跟踪。
总之，经过一番训练之后，CoTracker 取得了一份不俗的成绩单。
在 FastCapture 数据集测试上，CoTracker 的成绩在一众模型中脱颖而出，其中也包括 Meta 自家的 DINOv2。
总之，喜欢的话，就赶紧体验一下试试吧!
