Diese Arbeit präsentiert ein neues großskaliges Multi-Person-Tracking-Datenset – \texttt{PersonPath22} –, das um mehr als eine Größenordnung größer ist als bisher verfügbare hochwertige Datensätze für die Multi-Objekt-Verfolgung, wie beispielsweise MOT17, HiEve und MOT20. Der Mangel an großskaligen Trainings- und Testdaten für diese Aufgabe hat die Fähigkeit der Forschungsgemeinschaft eingeschränkt, die Leistung ihrer Verfolgungssysteme unter einer Vielzahl unterschiedlicher Szenarien und Bedingungen – wie beispielsweise variierende Personen-Dichte, durchgeführte Aktivitäten, Wetterbedingungen und Tageszeit – umfassend zu verstehen. Das \texttt{PersonPath22}-Datenset wurde gezielt zusammengestellt, um eine breite Vielfalt dieser Bedingungen abzubilden, und unsere Annotationen enthalten reichhaltige Metadaten, sodass die Leistung eines Trackers entlang dieser verschiedenen Dimensionen evaluiert werden kann. Der Mangel an Trainingsdaten hat zudem die Möglichkeit eingeschränkt, Verfolgungssysteme end-to-end zu trainieren. Daher beruhen die derzeit leistungsfähigsten Tracking-Systeme alle auf starken Detektoren, die auf externen Bilddatensätzen trainiert wurden. Wir hoffen, dass die Veröffentlichung dieses Datensets neue Forschungsrichtungen ermöglicht, die großskalige, videobasierte Trainingsdaten effektiv nutzen.