تقدم هذه الورقة مجموعة بيانات جديدة لتعقب أشخاص متعددين على نطاق واسع — \texttt{PersonPath22}، التي تتجاوز حجمها بعشرة أضعاف المجموعات المتاحة حاليًا من بيانات تعقب كائنات متعددة عالية الجودة مثل مجموعات بيانات MOT17 وHiEve وMOT20. وقد حدّت نقص البيانات الكبيرة للتدريب والاختبار في هذا المجال من قدرة المجتمع على فهم أداء أنظمة التعقب الخاصة بهم في مجموعة واسعة من السيناريوهات والظروف، مثل التغيرات في كثافة الأشخاص، والأنشطة التي يتم تنفيذها، وظروف الطقس، وساعة اليوم. وقد تم اختيار مجموعة بيانات \texttt{PersonPath22} خصيصًا لتوفير تنوع واسع من هذه الظروف، كما تتضمن ملاحظاتنا بيانات متعددة (meta-data) غنية تسمح بتقييم أداء نظام التعقب عبر هذه الأبعاد المختلفة. كما أن نقص بيانات التدريب قد قيد القدرة على إجراء تدريب من الطرفين (end-to-end) لأنظمة التعقب. ونتيجة لذلك، تعتمد جميع الأنظمة التي تحقق أفضل الأداء على كاشفات قوية تم تدريبها على مجموعات بيانات صور خارجية. ونأمل أن يؤدي إصدار هذه المجموعة إلى تمكين أبحاث جديدة تستفيد من بيانات التدريب الكبيرة المستمدة من مقاطع الفيديو.