تهدف التتبع متعدد الكائنات (MOT) إلى تقدير مربعات الحدود والهويات الكائنية في مقاطع الفيديو. تعتمد معظم الطرق على تحديد الهويات من خلال ربط مربعات الكشف التي تتجاوز درجات التقييم عتبة معينة. أما الكائنات ذات درجات كشف منخفضة، مثل الكائنات المُغطاة، فيتم تجاهلها ببساطة، مما يؤدي إلى فقدان كائنات حقيقية غير مهملة وانقطاع في المسارات. لحل هذه المشكلة، نقدم طريقة بسيطة وفعّالة وعامة للربط، تُعرف بـ "الاستمرار في التتبع من خلال ربط كل مربع كشف تقريبًا، وليس فقط تلك ذات الدرجات العالية". بالنسبة لمربعات الكشف ذات الدرجات المنخفضة، نستفيد من مطابقتها مع المسارات القصيرة (tracklets) لإعادة استرجاع الكائنات الحقيقية وتصفية الكشف عن الخلفية. عند تطبيق هذه الطريقة على 9 مُتتبعات حديثة ومتقدمة، حققت تحسينًا مستمرًا في دقة IDF1 تتراوح بين 1 إلى 10 نقاط. ولتحقيق أداء متميز في مجال التتبع متعدد الكائنات، صممنا مُتتبعًا بسيطًا وقويًا يُدعى ByteTrack. لأول مرة، حقق أداءً مذهلًا على مجموعة بيانات MOT17، بـ 80.3 في مقياس MOTA، و77.3 في مقياس IDF1، و63.1 في مقياس HOTA، مع سرعة تشغيل تصل إلى 30 إطارًا في الثانية على وحدة معالجة رسومية واحدة من نوع V100. كما حقق ByteTrack أداءً متفوقًا على معايير التتبع MOT20 وHiEve وBDD100K. تم إصدار الشفرة المصدرية، والنموذج المُدرّب مسبقًا مع إصدارات قابلة للنشر، بالإضافة إلى دليل تطبيقها على مُتتبعات أخرى على الرابط: https://github.com/ifzhang/ByteTrack.