Le suivi multi-objets dans les scènes sportives joue un rôle crucial dans la collecte de statistiques des joueurs et soutient des analyses ultérieures, telles que l’analyse tactique automatique. Pourtant, les benchmarks existants en matière de suivi multi-objets accordent peu d’attention à ce domaine, limitant ainsi son développement. Dans ce travail, nous présentons un nouveau jeu de données à grande échelle pour le suivi multi-objets dans des scènes sportives variées, intitulé \emph{SportsMOT}, dans lequel tous les joueurs présents sur le terrain doivent être suivis. Ce jeu de données comprend 240 séquences vidéo, plus de 150 000 images (soit près de 15 fois le volume de MOT17) et plus de 1,6 million de boîtes englobantes (trois fois MOT17), issus de trois catégories sportives : basket-ball, volley-ball et football. Notre jeu de données se distingue par deux caractéristiques clés : 1) des mouvements rapides et à vitesse variable, et 2) des apparences similaires mais toutefois identifiables. Nous espérons que SportsMOT encouragera les algorithmes de suivi multi-objets à améliorer leurs performances tant dans l’association basée sur le mouvement que dans l’association basée sur l’apparence. Nous évaluons plusieurs trackers d’avant-garde et mettons en évidence que le défi principal de SportsMOT réside dans l’association des objets. Pour atténuer ce problème, nous proposons par la suite un nouveau cadre de suivi multi-objets, nommé \emph{MixSort}, intégrant une structure inspirée du MixFormer en tant que modèle d’association auxiliaire pour les trackers basés sur la détection. En combinant une association personnalisée basée sur l’apparence avec l’association originale basée sur le mouvement, MixSort atteint des performances de pointe sur SportsMOT et MOT17. À partir de MixSort, nous fournissons une analyse approfondie et des insights significatifs concernant SportsMOT. Le jeu de données et le code seront disponibles à l’adresse suivante : https://deeperaction.github.io/datasets/sportsmot.html.