TrackingNet est un ensemble de données de suivi d'objets à grande échelle composé de vidéos extérieures. L'ensemble de données contient 30 643 clips vidéo, répartis en 30 132 vidéos de formation et 511 vidéos de test, avec une moyenne de 470,9 images par vidéo.

L'ensemble de données fournit plus de 14 millions d'annotations de boîtes englobantes denses, couvrant une variété de scénarios extérieurs, y compris diverses fréquences d'images, résolutions, scènes contextuelles et catégories cibles.

Contrairement aux ensembles de données de suivi de cibles précédents, TrackingNet est divisé en deux parties : un ensemble d'entraînement et un ensemble de test. Les auteurs ont soigneusement sélectionné 30 132 vidéos de formation à partir de YouTube-Bounding Boxes et ont construit 511 vidéos avec une distribution similaire à l'ensemble de formation pour former un ensemble de test.