多目标跟踪（Multi-object tracking, MOT）是计算机视觉领域的一个重要问题，具有广泛的应用前景。将MOT建模为单一网络中目标检测与重识别（re-ID）的多任务学习，具有显著吸引力，因为它能够实现两个任务的联合优化，并具备较高的计算效率。然而，我们发现这两个任务之间存在明显的竞争关系，需加以妥善处理。特别是，以往方法通常将re-ID视为次要任务，其性能严重依赖于主要的检测任务，导致网络倾向于优化检测任务，从而对re-ID任务产生不公平的偏差。为解决该问题，本文提出一种简单而有效的框架——FairMOT，其基于无锚点（anchor-free）的目标检测架构CenterNet。需要强调的是，FairMOT并非简单地将CenterNet与re-ID进行拼接，而是通过一系列经过充分实证研究验证的关键设计，显著提升了跟踪性能。所提出的方法在检测与跟踪任务上均实现了高精度，且在多个公开数据集上显著超越了当前最先进方法。相关源代码与预训练模型已开源，地址为：https://github.com/ifzhang/FairMOT。