TrackingNet 是一个大规模的目标跟踪数据集，由户外视频组成。该数据集包含 30,643 个视频片段，分为 30,132 个训练视频和 511 个测试视频，平均每个视频有 470,9 帧。

该数据集提供超过 1400 万个密集的边界框标注，涵盖了户外场景下的各种情形，包含了各种帧速率，分辨率，上下文场景以及目标类别。

与之前的目标跟踪数据集不同，TrackingNet 分为训练集和测试集两部分，作者仔细地从 Youtube-Bounding Boxes 中选择了 30,132 个训练视频，并且自己构建了 511 个与训练集分布相似的视频构成测试集。