تستخدم المقاييس الحالية لاستهداف الكائنات المتعددة في فئات متعددة (MOT) تسميات الفئة لتنظيم نتائج التتبع لتقييم الأداء حسب الفئة. وبالمثل، تقتصر طرق MOT عادةً على ربط الكائنات ذات التنبؤات بالفئة نفسها. تمثل هاتان الاستراتيجيتان الشائعتان في مجال MOT افتراضًا ضمنيًا أن أداء التصنيف يكون شبه مثالي. ومع ذلك، فإن هذا الافتراض لا يتطابق مع الواقع في مجموعات بيانات MOT الكبيرة النطاق الحديثة، التي تحتوي على عدد كبير من الفئات، بما في ذلك فئات نادرة أو شبه متشابهة من حيث المعنى. وبالتالي، يؤدي التصنيف غير الدقيق الناتج إلى تحسين غير مثالي في التتبع، وتقديم تقييم غير كافٍ لأداء المُتتبعات. نعالج هذه المشكلات من خلال فصل التصنيف عن التتبع. نُقدّم مقياسًا جديدًا يُسمى "دقة التتبع لكل شيء" (TETA)، الذي يُفكك قياس التتبع إلى ثلاث عوامل فرعية: التموضع، والربط، والتصنيف، مما يتيح تقييمًا شاملاً لأداء التتبع حتى في حالات التصنيف غير الدقيق. كما يتعامل TETA مع مشكلة التصنيف غير الكاملة التي تُعدّ تحديًا كبيرًا في مجموعات البيانات الكبيرة للتعقب. بالإضافة إلى ذلك، نُقدّم مُتتبعًا جديدًا يُسمى "TETer"، الذي يُنفّذ عملية الربط باستخدام تقنية "مطابقة الأمثلة الفئوية" (CEM). تُظهر تجاربنا أن TETA يُقيّم المُتتبعات بشكل أكثر شمولاً، وأن TETer يحقق تحسينات كبيرة على مجموعتي بيانات التتبع الكبيرة والصعبة BDD100K وTAO مقارنة بأحدث التقنيات المتوفرة.