> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/workflows/hi/blocks/blocks/video-processing/byte-tracker.md).

# Byte Tracker

ByteTrack का उपयोग करके वीडियो फ़्रेमों के बीच वस्तु की स्थितियों को ट्रैक और अपडेट करें।

{% hint style="warning" %}
**अप्रचलित**

यह ब्लॉक अप्रचलित है। इसके बजाय [ByteTrack ट्रैकर](https://docs.roboflow.com/workflows/hi/blocks/blocks/video-processing/byte-track-tracker.md) ब्लॉक का उपयोग करें।
{% endhint %}

## v3

सुसंगत ऑब्जेक्ट पहचान बनाए रखने, ओक्लूज़न और अस्थायी गायब होने को संभालने, मौजूदा ट्रैक्स के साथ डिटेक्शनों को जोड़ने, अद्वितीय ट्रैक आईडी असाइन करने, इंस्टेंस को नए या पहले देखे गए के रूप में वर्गीकृत करने, और ऑब्जेक्ट व्यवहार विश्लेषण, गति ट्रैकिंग, पहली उपस्थिति का पता लगाने, तथा वीडियो एनालिटिक्स वर्कफ़्लो को सक्षम करने के लिए ByteTrack एल्गोरिद्म का उपयोग करके वीडियो फ्रेम्स में ऑब्जेक्ट्स को ट्रैक करें।

## यह ब्लॉक कैसे काम करता है

यह ब्लॉक प्रत्येक फ्रेम की डिटेक्शनों को मौजूदा ट्रैक्स के साथ जोड़कर और नए ऑब्जेक्ट्स के लिए नए ट्रैक बनाकर क्रमिक वीडियो फ्रेम्स में ऑब्जेक्ट ट्रैकिंग बनाए रखता है, साथ ही इस आधार पर इंस्टेंस को वर्गीकृत भी करता है कि वे पहले देखे गए हैं या नहीं। ब्लॉक:

1. वर्तमान फ्रेम के लिए डिटेक्शन प्रेडिक्शन्स और एम्बेडेड वीडियो मेटाडेटा वाली एक छवि प्राप्त करता है
2. छवि से वीडियो मेटाडेटा निकालता है (जिसमें फ्रेम दर और वीडियो पहचानकर्ता शामिल हैं):
   * WorkflowImageData ऑब्जेक्ट से video\_metadata तक पहुँचता है
   * ट्रैकर कॉन्फ़िगरेशन के लिए fps (फ्रेम प्रति सेकंड) निकालता है
   * विभिन्न वीडियो के लिए अलग ट्रैकिंग स्थिति बनाए रखने हेतु video\_identifier निकालता है
   * गायब fps को सहजता से संभालता है (विफल होने के बजाय डिफ़ॉल्ट रूप से 0 रखता है और चेतावनी लॉग करता है)
3. वीडियो के लिए ByteTrack ट्रैकर आरंभ या पुनर्प्राप्त करता है:
   * प्रत्येक अद्वितीय वीडियो (video\_identifier द्वारा पहचाना गया) के लिए एक नया ट्रैकर इंस्टेंस बनाता है
   * फ्रेम्स के बीच ट्रैकिंग स्थिति बनाए रखने के लिए ट्रैकरों को मेमोरी में संग्रहीत करता है
   * मेटाडेटा से फ्रेम दर और उपयोगकर्ता-निर्धारित पैरामीटर के साथ ट्रैकर कॉन्फ़िगर करता है
   * उसी वीडियो के बाद के फ्रेम्स के लिए मौजूदा ट्रैकर का पुनः उपयोग करता है
4. वीडियो के लिए एक इंस्टेंस कैश आरंभ या पुनर्प्राप्त करता है:
   * यह ट्रैक करने के लिए एक कैश बनाता है कि कौन-से ट्रैक आईडी पहले देखे गए हैं
   * video\_identifier का उपयोग करके प्रत्येक वीडियो के लिए अलग कैश बनाए रखता है
   * instances\_cache\_size पैरामीटर का उपयोग करके कैश आकार कॉन्फ़िगर करता है
   * कैश क्षमता प्रबंधित करने के लिए FIFO (पहले आओ, पहले पाओ) रणनीति का उपयोग करता है
5. यदि प्रदान किए गए हों, तो कई डिटेक्शन बैचों को मर्ज करता है:
   * कई स्रोतों से डिटेक्शनों को एकल डिटेक्शन सेट में जोड़ता है
   * सुसंगत ट्रैकिंग के लिए यह सुनिश्चित करता है कि सभी डिटेक्शनों को एक साथ प्रोसेस किया जाए
6. ByteTrack एल्गोरिद्म का उपयोग करके ट्रैक्स अपडेट करता है:
   * **ट्रैक एसोसिएशन**: IoU (Intersection over Union) मैचिंग का उपयोग करके वर्तमान फ्रेम की डिटेक्शनों को मौजूदा ट्रैक्स से मिलाता है
   * **ट्रैक एक्टिवेशन**: track\_activation\_threshold से अधिक कॉन्फ़िडेंस वाली और मौजूदा ट्रैक्स से न मिलने वाली डिटेक्शनों के लिए नए ट्रैक बनाता है
   * **ट्रैक मैचिंग**: जब IoU minimum\_matching\_threshold से अधिक हो, तब डिटेक्शनों को ट्रैक्स से जोड़ता है
   * **ट्रैक पर्सिस्टेंस**: lost\_track\_buffer का उपयोग करके उन ट्रैक्स को बनाए रखता है जिनके साथ कोई मैच नहीं है, ताकि अस्थायी ओक्लूज़न संभाले जा सकें
   * **ट्रैक वैलिडेशन**: केवल उन ट्रैक्स को आउटपुट करता है जो कम से कम minimum\_consecutive\_frames लगातार फ्रेम्स तक मौजूद रहे हैं
7. ट्रैक किए गए इंस्टेंस को नए या पहले से देखे गए के रूप में वर्गीकृत करता है:
   * track\_id वाले प्रत्येक ट्रैक किए गए डिटेक्शन के लिए, इंस्टेंस कैश की जाँच करता है
   * **नए इंस्टेंस**: कैश में न मिले ट्रैक आईडी को नया (पहली उपस्थिति) के रूप में चिह्नित किया जाता है
   * **पहले से देखे गए इंस्टेंस**: कैश में मिले ट्रैक आईडी को पहले से देखा गया (पुनः उपस्थिति) के रूप में चिह्नित किया जाता है
   * FIFO eviction का उपयोग करके कैश आकार प्रबंधित करते हुए, नए ट्रैक आईडी के साथ कैश अपडेट करता है
8. ट्रैकिंग चुनौतियों को संभालता है:
   * **ओक्लूज़न**: जब ऑब्जेक्ट अस्थायी रूप से छिपे हों, तब ट्रैक्स बनाए रखता है (lost\_track\_buffer फ्रेम्स का उपयोग करके)
   * **छूटी हुई डिटेक्शन**: डिटेक्शन गायब होने वाले फ्रेम्स के दौरान ट्रैक्स को जीवित रखता है
   * **गलत सकारात्मक**: उन ट्रैक्स को फ़िल्टर करता है जो पर्याप्त समय तक टिकते नहीं हैं (minimum\_consecutive\_frames)
   * **ट्रैक खंडन**: खोए हुए ऑब्जेक्ट्स के लिए बफ़र बनाए रखकर ट्रैक विभाजन को कम करता है
9. प्रत्येक ऑब्जेक्ट को अद्वितीय ट्रैक आईडी असाइन करता है:
   * ट्रैक किया गया प्रत्येक ऑब्जेक्ट एक सुसंगत track\_id प्राप्त करता है जो फ्रेम्स के बीच बना रहता है
   * ट्रैक सक्रिय होने पर ट्रैक आईडी असाइन किए जाते हैं और पूरे वीडियो के दौरान बनाए रखे जाते हैं
   * पूरे वीडियो अनुक्रम में व्यक्तिगत ऑब्जेक्ट्स को ट्रैक करने में सक्षम बनाता है
10. ट्रैक किए गए डिटेक्शनों के तीन सेट लौटाता है:
    * **tracked\_detections**: ट्रैक आईडी वाले सभी ट्रैक किए गए डिटेक्शन (v2 के समान)
    * **new\_instances**: ट्रैक आईडी वाले डिटेक्शन जो पहली बार दिखाई दे रहे हैं (प्रत्येक ट्रैक आईडी पहली बार जनरेट होने पर केवल एक बार दिखाई देता है)
    * **already\_seen\_instances**: ट्रैक आईडी वाले डिटेक्शन जो पहले देखे जा चुके हैं (जब-जब ट्रैकर उन्हें डिटेक्शनों के साथ जोड़ता है, ट्रैक आईडी दिखाई देते हैं)

ByteTrack एक कुशल मल्टी-ऑब्जेक्ट ट्रैकिंग एल्गोरिद्म है जो tracking-by-detection करता है, और appearance features की आवश्यकता के बिना फ्रेम्स के बीच डिटेक्शनों को जोड़ता है। यह दो-चरणीय एसोसिएशन रणनीति का उपयोग करता है: पहले उच्च-विश्वास डिटेक्शनों को ट्रैक्स से मिलाना, फिर निम्न-विश्वास डिटेक्शनों को शेष ट्रैक्स और खोए हुए ट्रैक्स से मिलाना। एल्गोरिद्म खोए हुए ट्रैक्स के लिए एक बफ़र बनाए रखता है, जिससे यह तब ट्रैक्स पुनः प्राप्त कर सकता है जब ऑब्जेक्ट ओक्लूज़न या डिटेक्शन विफलताओं के कारण अस्थायी रूप से गायब हो जाते हैं। इंस्टेंस वर्गीकरण सुविधा पहली उपस्थिति का पता लगाने (दृश्य में प्रवेश करने वाले नए ऑब्जेक्ट्स) बनाम पुनः उपस्थिति (ओक्लूज़न के बाद या फ्रेम छोड़ने के बाद लौटने वाले ऑब्जेक्ट्स) को सक्षम करती है, जो गिनती, व्यवहार विश्लेषण, और इवेंट डिटेक्शन के लिए उपयोगी है। कॉन्फ़िगर करने योग्य पैरामीटर ट्रैकिंग व्यवहार को सूक्ष्म रूप से समायोजित करने देते हैं: track\_activation\_threshold यह नियंत्रित करता है कि नए ट्रैक कब बनाए जाते हैं (उच्च = अधिक सतर्क), lost\_track\_buffer ओक्लूज़न हैंडलिंग नियंत्रित करता है (उच्च = बेहतर ओक्लूज़न रिकवरी), minimum\_matching\_threshold एसोसिएशन गुणवत्ता नियंत्रित करता है (उच्च = अधिक कड़ा मिलान), minimum\_consecutive\_frames अल्पकालिक गलत ट्रैक्स को फ़िल्टर करता है (उच्च = कम गलत ट्रैक), और instances\_cache\_size यह नियंत्रित करता है कि नए/देखे गए वर्गीकरण के लिए कितने ट्रैक आईडी याद रखे जाएँ (उच्च = लंबी स्मृति)।

## सामान्य उपयोग मामले

* **वीडियो विश्लेषिकी**: व्यवहार विश्लेषण और गति पैटर्न के लिए वीडियो फ्रेम्स में ऑब्जेक्ट्स को ट्रैक करें (उदाहरण: वीडियो में लोगों की गति ट्रैक करें, वाहन मार्गों की निगरानी करें, ऑब्जेक्ट ट्रैजेक्टरी का विश्लेषण करें), जिससे वीडियो एनालिटिक्स वर्कफ़्लो सक्षम होते हैं
* **पहली उपस्थिति का पता लगाना**: गिनती और इवेंट डिटेक्शन के लिए दृश्य में प्रवेश करने वाले नए ऑब्जेक्ट्स की पहचान करें (उदाहरण: क्षेत्र में प्रवेश करने वाले नए लोगों का पता लगाएँ, दिखाई देने वाले नए वाहनों की पहचान करें, पहली बार की उपस्थिति ट्रैक करें), जिससे नए इंस्टेंस डिटेक्शन वर्कफ़्लो सक्षम होते हैं
* **यातायात मॉनिटरिंग**: ट्रैफिक दृश्यों में वाहनों और ऑब्जेक्ट्स को appearance tracking के साथ ट्रैक करें (उदाहरण: फ्रेम्स के बीच वाहनों को ट्रैक करें, वाहन पथों की निगरानी करें, सुसंगत आईडी वाले अद्वितीय वाहनों की गिनती करें, दृश्य में प्रवेश करने वाले नए वाहनों का पता लगाएँ), जिससे ट्रैफिक मॉनिटरिंग वर्कफ़्लो सक्षम होते हैं
* **निगरानी प्रणालियाँ**: सुरक्षा निगरानी के लिए ऑब्जेक्ट पहचान बनाए रखें और नई प्रविष्टियों का पता लगाएँ (उदाहरण: निगरानी फुटेज में व्यक्तियों को ट्रैक करें, क्षेत्र में प्रवेश करने वाले नए लोगों का पता लगाएँ, ऑब्जेक्ट गति की निगरानी करें, ऑब्जेक्ट पहचान बनाए रखें), जिससे निगरानी ट्रैकिंग वर्कफ़्लो सक्षम होते हैं
* **रिटेल विश्लेषिकी**: रिटेल अंतर्दृष्टि के लिए ग्राहकों और उत्पादों को प्रवेश पहचान के साथ ट्रैक करें (उदाहरण: ग्राहक पथों को ट्रैक करें, स्टोर में प्रवेश करने वाले नए ग्राहकों का पता लगाएँ, खरीदारी व्यवहार की निगरानी करें, फुट ट्रैफिक पैटर्न का विश्लेषण करें), जिससे रिटेल एनालिटिक्स वर्कफ़्लो सक्षम होते हैं
* **ऑब्जेक्ट गिनती**: पहली उपस्थिति को ट्रैक करके अद्वितीय ऑब्जेक्ट्स की सटीक गिनती करें (उदाहरण: नए इंस्टेंस ट्रैक करके अद्वितीय विज़िटर्स की गिनती करें, चौराहे में प्रवेश करने वाले वाहनों की गिनती करें, अद्वितीय ऑब्जेक्ट उपस्थिति ट्रैक करें), जिससे सटीक गिनती वर्कफ़्लो सक्षम होते हैं

## अन्य ब्लॉक्स से जोड़ना

यह ब्लॉक वीडियो मेटाडेटा और डिटेक्शन प्रेडिक्शन्स वाली एक छवि प्राप्त करता है, और tracked\_detections, new\_instances, तथा already\_seen\_instances उत्पन्न करता है:

* **ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन, या कीपॉइंट डिटेक्शन ब्लॉक्स के बाद** पता लगाए गए ऑब्जेक्ट्स को वीडियो फ्रेम्स में ट्रैक करने के लिए (उदाहरण: वीडियो में डिटेक्ट किए गए ऑब्जेक्ट्स को ट्रैक करें, डिटेक्शनों में ट्रैक आईडी जोड़ें, फ्रेम्स के बीच ऑब्जेक्ट पहचान बनाए रखें), जिससे डिटेक्शन-टू-ट्रैकिंग वर्कफ़्लो सक्षम होते हैं
* **new\_instances आउटपुट का उपयोग करके** पहली उपस्थिति का पता लगाने और उसे प्रोसेस करने के लिए (उदाहरण: नए ऑब्जेक्ट्स की गिनती करें, पहली उपस्थिति पर क्रियाएँ ट्रिगर करें, नई प्रविष्टियों का पता लगाएँ, नए ऑब्जेक्ट्स के लिए ट्रैकिंग आरंभ करें), जिससे नए इंस्टेंस डिटेक्शन वर्कफ़्लो सक्षम होते हैं
* **already\_seen\_instances आउटपुट का उपयोग करके** पुनः उपस्थिति और लौटने वाले ऑब्जेक्ट्स को प्रोसेस करने के लिए (उदाहरण: लौटने वाले ऑब्जेक्ट्स को संभालें, पुनः उपस्थिति प्रोसेस करें, मौजूदा ऑब्जेक्ट्स के लिए फ़िल्टर करें), जिससे पुनः उपस्थिति हैंडलिंग वर्कफ़्लो सक्षम होते हैं
* **वीडियो विश्लेषण ब्लॉक्स से पहले** जिन्हें सुसंगत ऑब्जेक्ट पहचान की आवश्यकता होती है (उदाहरण: ट्रैक किए गए ऑब्जेक्ट व्यवहार का विश्लेषण करें, ऑब्जेक्ट ट्रैजेक्टरी प्रोसेस करें, ट्रैक किए गए ऑब्जेक्ट डेटा के साथ काम करें), जिससे ट्रैकिंग-से-विश्लेषण वर्कफ़्लो सक्षम होते हैं
* **विज़ुअलाइज़ेशन ब्लॉकों से पहले** सुसंगत रंगों या लेबल्स के साथ ट्रैक किए गए ऑब्जेक्ट्स प्रदर्शित करने के लिए (उदाहरण: ट्रैक किए गए ऑब्जेक्ट्स को विज़ुअलाइज़ करें, ट्रैक आईडी दिखाएँ, ऑब्जेक्ट पथ दिखाएँ, नए इंस्टेंस हाइलाइट करें), जिससे ट्रैकिंग विज़ुअलाइज़ेशन वर्कफ़्लो सक्षम होते हैं
* **लॉजिक ब्लॉकों से पहले** जैसे Continue If, ताकि ट्रैक जानकारी या इंस्टेंस स्थिति के आधार पर निर्णय लिए जा सकें (उदाहरण: यदि ऑब्जेक्ट नया है तो आगे बढ़ें, ट्रैक आईडी के आधार पर फ़िल्टर करें, ट्रैकिंग डेटा का उपयोग करके निर्णय लें, नए बनाम लौटने वाले ऑब्जेक्ट्स को संभालें), जिससे ट्रैकिंग-आधारित निर्णय वर्कफ़्लो सक्षम होते हैं

## संस्करणों के अंतर

**v2 से उन्नत:**

* **इंस्टेंस वर्गीकरण**: दो नए आउटपुट जोड़ता है (`new_instances` और `already_seen_instances`) जो इस आधार पर ट्रैक किए गए ऑब्जेक्ट्स को वर्गीकृत करते हैं कि उनके ट्रैक आईडी पहले देखे गए हैं या नहीं, जिससे पहली उपस्थिति का पता लगाना और पुनः उपस्थिति ट्रैकिंग सक्षम होती है
* **इंस्टेंस कैश**: एक इंस्टेंस कैश सिस्टम प्रस्तुत करता है जो फ्रेम्स के बीच पहले देखे गए ट्रैक आईडी को याद रखता है, जिससे दृश्य में प्रवेश करने वाले नए ऑब्जेक्ट्स और ओक्लूज़न के बाद या फ्रेम छोड़ने के बाद पुनः दिखाई देने वाले ऑब्जेक्ट्स के बीच अंतर किया जा सकता है
* **कीपॉइंट डिटेक्शन समर्थन**: ऑब्जेक्ट डिटेक्शन और इंस्टेंस सेगमेंटेशन के अतिरिक्त कीपॉइंट डिटेक्शन प्रेडिक्शन्स के लिए समर्थन जोड़ता है, जिससे ट्रैकिंग क्षमताएँ कीपॉइंट-आधारित डिटेक्शन मॉडलों तक विस्तृत होती हैं
* **कॉन्फ़िगर करने योग्य कैश आकार**: जोड़ता है `instances_cache_size` पैरामीटर, ताकि नियंत्रित किया जा सके कि कैश में कितने ट्रैक आईडी याद रखे जाएँ, जिससे मेमोरी उपयोग और ट्रैकिंग इतिहास लंबाई के बीच संतुलन बनता है
* **उन्नत आउटपुट**: एक के बजाय तीन आउटपुट लौटाता है - `tracked_detections` (सभी ट्रैक किए गए ऑब्जेक्ट्स), `new_instances` (पहली उपस्थिति), और `already_seen_instances` (पुनः उपस्थिति)

## आवश्यकताएँ

इस ब्लॉक को डिटेक्शन प्रेडिक्शन्स (ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन, या कीपॉइंट डिटेक्शन) और फ्रेम दर (fps) तथा वीडियो पहचानकर्ता जानकारी वाले एम्बेडेड वीडियो मेटाडेटा सहित एक छवि की आवश्यकता होती है। इष्टतम ट्रैकिंग प्रदर्शन के लिए छवि के video\_metadata में एक मान्य fps मान शामिल होना चाहिए, हालाँकि यदि यह अनुपस्थित हो तो ब्लॉक fps=0 के साथ कार्य जारी रखेगा। यह ब्लॉक प्रत्येक वीडियो के लिए फ्रेम्स के बीच ट्रैकिंग स्थिति और इंस्टेंस कैश बनाए रखता है, इसलिए इसे उन वीडियो वर्कफ़्लो में उपयोग किया जाना चाहिए जहाँ फ्रेम्स क्रमिक रूप से प्रोसेस होते हैं। सर्वोत्तम ट्रैकिंग प्रदर्शन के लिए, डिटेक्शनों को फ्रेम्स के बीच लगातार प्रदान किया जाना चाहिए। एल्गोरिद्म स्थिर डिटेक्शन प्रदर्शन के साथ सबसे अच्छा काम करता है और lost\_track\_buffer तंत्र के माध्यम से अस्थायी डिटेक्शन अंतराल को संभालता है। इंस्टेंस कैश FIFO eviction के साथ देखे गए ट्रैक आईडी का इतिहास बनाए रखता है जब कैश आकार सीमा पहुँच जाती है।

### प्रकार पहचानकर्ता

चरण में निम्नलिखित पहचानकर्ता का उपयोग करें `"type"` फ़ील्ड: `roboflow_core/byte_tracker@v3` ताकि ब्लॉक को अपने वर्कफ़्लो में एक चरण के रूप में जोड़ा जा सके।

### गुण

| **नाम**                      | **प्रकार** | **विवरण**                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                 | संदर्भ |
| ---------------------------- | ---------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ------ |
| `नाम`                        | `str`      | इस चरण के लिए एक अद्वितीय पहचानकर्ता दर्ज करें..                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                          | ❌      |
| `track_activation_threshold` | `float`    | डिटेक्शनों से नए ट्रैक सक्रिय करने के लिए कॉन्फ़िडेंस थ्रेशहोल्ड। यह 0.0 और 1.0 के बीच होना चाहिए। डिफ़ॉल्ट 0.25 है। केवल इस थ्रेशहोल्ड से अधिक कॉन्फ़िडेंस वाली डिटेक्शन ही नए ट्रैक बना सकती हैं। इस थ्रेशहोल्ड को बढ़ाने से (उदाहरण: 0.3-0.5) केवल उच्च-विश्वास डिटेक्शनों से ट्रैक बनाकर ट्रैकिंग सटीकता और स्थिरता बेहतर होती है, लेकिन कम कॉन्फ़िडेंस वाली वास्तविक डिटेक्शन छूट सकती हैं। इस थ्रेशहोल्ड को घटाने से (उदाहरण: 0.15-0.2) कम कॉन्फ़िडेंस वाली डिटेक्शन स्वीकार करके ट्रैकिंग पूर्णता बढ़ती है, लेकिन गलत सकारात्मक से शोर और अस्थिरता आने का जोखिम होता है। डिटेक्शन मॉडल के प्रदर्शन के आधार पर समायोजित करें: यदि डिटेक्शन विश्वसनीय हों तो कम मान उपयोग करें, यदि गलत सकारात्मक सामान्य हों तो अधिक मान उपयोग करें..                                                                                                                                               | ✅      |
| `lost_track_buffer`          | `int`      | किसी ट्रैक के खो जाने पर (कोई मैचिंग डिटेक्शन न होने पर) उसे बनाए रखने के लिए फ्रेम्स की संख्या। यह एक धनात्मक पूर्णांक होना चाहिए। डिफ़ॉल्ट 30 फ्रेम्स है। जब कोई ऑब्जेक्ट अस्थायी रूप से गायब हो जाता है (ओक्लूज़न, छूटी हुई डिटेक्शन, या फ्रेम छोड़ने के कारण), तो ट्रैक को खोया हुआ मानने से पहले इस संख्या के फ्रेम्स तक बनाए रखा जाता है। इस मान को बढ़ाने से (उदाहरण: 50-100) ओक्लूज़न हैंडलिंग बेहतर होती है और संक्षिप्त डिटेक्शन अंतरालों के कारण होने वाले ट्रैक खंडन या गायब होने में उल्लेखनीय कमी आती है, लेकिन मेमोरी उपयोग बढ़ता है। इस मान को घटाने से (उदाहरण: 10-20) मेमोरी उपयोग कम होता है, लेकिन छोटे ओक्लूज़न के दौरान ट्रैक्स गायब हो सकते हैं। ओक्लूज़न की आवृत्ति के आधार पर समायोजित करें: बार-बार ओक्लूज़न होने पर उच्च मान, स्थिर ट्रैकिंग परिदृश्यों में कम मान उपयोग करें..                                                                                | ✅      |
| `minimum_matching_threshold` | `float`    | मौजूदा ट्रैक्स के साथ डिटेक्शनों को मिलाने के लिए IoU (Intersection over Union) थ्रेशहोल्ड। यह 0.0 और 1.0 के बीच होना चाहिए। डिफ़ॉल्ट 0.8 है। जब उनकी bounding box IoU इस थ्रेशहोल्ड से अधिक होती है, तब डिटेक्शनों को ट्रैक्स से जोड़ा जाता है। इस थ्रेशहोल्ड को बढ़ाने से (उदाहरण: 0.85-0.95) अधिक मज़बूत स्थानिक ओवरलैप की आवश्यकता रखकर ट्रैकिंग सटीकता बेहतर होती है, लेकिन जब ऑब्जेक्ट्स तेज़ी से चलते हैं या डिटेक्शन बॉक्स बदलते हैं, तब ट्रैक खंडन का जोखिम रहता है। इस थ्रेशहोल्ड को घटाने से (उदाहरण: 0.6-0.75) अधिक ढीले मिलान स्वीकार करके ट्रैकिंग पूर्णता बेहतर होती है, लेकिन गलत सकारात्मक एसोसिएशन और ट्रैक ड्रिफ्ट का जोखिम रहता है। ऑब्जेक्ट गति की गति और डिटेक्शन स्थिरता के आधार पर समायोजित करें: स्थिर ऑब्जेक्ट्स के लिए उच्च मान, तेज़ी से चलने वाले ऑब्जेक्ट्स के लिए कम मान उपयोग करें..                                                                      | ✅      |
| `minimum_consecutive_frames` | `int`      | वह न्यूनतम लगातार फ्रेम्स जिनमें किसी ऑब्जेक्ट को वैध मानकर आउटपुट करने से पहले ट्रैक किया जाना चाहिए। यह एक धनात्मक पूर्णांक होना चाहिए। डिफ़ॉल्ट 1 है (सभी ट्रैक तुरंत वैध होते हैं)। केवल वे ट्रैक्स जो कम से कम इतने लगातार फ्रेम्स तक बने रहते हैं, आउटपुट में शामिल किए जाते हैं। इस मान को बढ़ाने से (उदाहरण: 3-5) गलत डिटेक्शन या डबल डिटेक्शन से आकस्मिक ट्रैक्स बनने से बचाव होता है, और अल्पकालिक नकली ट्रैक्स फ़िल्टर हो जाते हैं, लेकिन छोटे वैध ट्रैक्स छूटने का जोखिम रहता है। इस मान को घटाने से (उदाहरण: 1) सभी ट्रैक्स तुरंत शामिल होते हैं, जिससे पूर्णता अधिकतम होती है लेकिन गलत ट्रैक्स भी शामिल हो सकते हैं। गलत सकारात्मक दर के आधार पर समायोजित करें: यदि गलत डिटेक्शन सामान्य हों तो उच्च मान, यदि डिटेक्शन विश्वसनीय हों तो कम मान उपयोग करें..                                                                                                                | ✅      |
| `instances_cache_size`       | `int`      | इंस्टेंस कैश में यह याद रखने के लिए ट्रैक आईडी की अधिकतम संख्या कि इंस्टेंस नए हैं या पहले देखे गए। यह एक धनात्मक पूर्णांक होना चाहिए। डिफ़ॉल्ट 16384 है। कैश FIFO (पहले आओ, पहले पाओ) eviction का उपयोग करता है - जब कैश भर जाता है, तो नए के लिए जगह बनाने हेतु सबसे पुराना ट्रैक आईडी हटा दिया जाता है। इस मान को बढ़ाने से (उदाहरण: 32768-65536) देखे गए ट्रैक आईडी का लंबा इतिहास बना रहता है, जिससे लंबे अंतराल के बाद पुनः उपस्थिति का पता लगाया जा सकता है, लेकिन अधिक मेमोरी लगती है। इस मान को घटाने से (उदाहरण: 8192) मेमोरी उपयोग कम होता है, लेकिन पहले दिखाई दिए ट्रैक आईडी का इतिहास खो सकता है, जिससे पुनः दिखाई देने वाले ऑब्जेक्ट्स नए के रूप में वर्गीकृत हो सकते हैं। वीडियो की लंबाई और ऑब्जेक्ट पुनः उपस्थिति पैटर्न के आधार पर समायोजित करें: लंबे वीडियो या बार-बार पुनः उपस्थिति के लिए उच्च मान, छोटे वीडियो या दुर्लभ पुनः उपस्थिति के लिए कम मान उपयोग करें.. | ❌      |

यह **संदर्भ** कॉलम उस संभावना को चिह्नित करता है कि प्रॉपर्टी को गतिशील मानों के साथ पैरामीटराइज़ किया जा सकता है, जो उपलब्ध हैं `वर्कफ़्लो` रनटाइम में। देखें *बाइंडिंग्स* अधिक जानकारी के लिए।

### रनटाइम संगतता

`सॉफ्ट` - रनटाइम `hosted_serverless`, `dedicated_deployment`; निष्पादन `रिमोट`; इनपुट `वीडियो` : ब्लॉक प्रति-वीडियो स्थिति को प्रक्रिया मेमोरी में बनाए रखता है (video\_metadata.video\_identifier द्वारा key किया गया)। Stateless या multi-replica HTTP runtimes पर remote step execution के साथ, क्रमिक अनुरोध अलग-अलग worker processes द्वारा सर्व किए जा सकते हैं, इसलिए calls के बीच state reset हो जाता है और tracking / counting / aggregation के लिए output अर्थहीन हो जाता है। स्थिर cross-frame results के लिए InferencePipeline में local step execution का उपयोग करें।

`सॉफ्ट` - इनपुट `छवि` : ब्लॉक वीडियो या repeated-frame workflows से प्राप्त temporal context पर निर्भर करता है। एक स्थिर image/photo के साथ, ट्रैक करने, तुलना करने, एकत्रित करने या दृश्यीकृत करने के लिए कोई अर्थपूर्ण history नहीं होती, इसलिए यह ब्लॉक बहुत कम या कोई लाभ नहीं देता।

### इनपुट और आउटपुट बाइंडिंग्स

उपलब्ध कनेक्शन इसके बाइंडिंग प्रकारों पर निर्भर करते हैं। जाँचें कि कौन-से बाइंडिंग प्रकार `Byte ट्रैकर` संस्करण में `v3` हैं।

<details>

<summary>इनपुट और आउटपुट बाइंडिंग्स</summary>

* इनपुट
  * `छवि` ([*`छवि`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/image.md)): ByteTrack आरंभ और ट्रैकिंग स्थिति प्रबंधन के लिए आवश्यक एम्बेडेड वीडियो मेटाडेटा (fps और video\_identifier) वाली इनपुट छवि। यह ब्लॉक WorkflowImageData ऑब्जेक्ट से video\_metadata निकालता है। fps मान का उपयोग ट्रैकर कॉन्फ़िगर करने के लिए किया जाता है, और video\_identifier का उपयोग अलग-अलग वीडियो के लिए अलग ट्रैकिंग स्थिति और इंस्टेंस कैश बनाए रखने के लिए किया जाता है। यदि fps गायब हो या अमान्य हो, तो ब्लॉक डिफ़ॉल्ट रूप से 0 पर जाता है और चेतावनी लॉग करता है, लेकिन कार्य जारी रखता है। यदि एक से अधिक वीडियो प्रोसेस किए जा रहे हों, तो प्रत्येक वीडियो के metadata में एक अद्वितीय video\_identifier होना चाहिए ताकि अलग ट्रैकिंग स्थितियाँ और कैश बनाए रखे जा सकें। ब्लॉक video\_identifier का उपयोग करके प्रत्येक वीडियो के लिए फ़्रेम्स के बीच स्थायी ट्रैकर और इंस्टेंस कैश बनाए रखता है..
  * `डिटेक्शंस` (*Union\[*[*`instance_segmentation_prediction`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/instance-segmentation-prediction.md)*,* [*`keypoint_detection_prediction`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/keypoint-detection-prediction.md)*,* [*`object_detection_prediction`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/object-detection-prediction.md)*]*): वर्तमान वीडियो फ्रेम के लिए ट्रैक की जाने वाली डिटेक्शन प्रेडिक्शन्स (ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन, या कीपॉइंट डिटेक्शन)। ब्लॉक इन डिटेक्शनों को मौजूदा ट्रैक्स के साथ जोड़ता है या नए ट्रैक बनाता है। ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन, और कीपॉइंट डिटेक्शन प्रेडिक्शन्स का समर्थन करता है। सुसंगत ट्रैकिंग बनाए रखने के लिए प्रत्येक फ्रेम के लिए क्रम में डिटेक्शन दिए जाने चाहिए। यदि कई डिटेक्शन बैच दिए गए हों, तो उन्हें ट्रैकिंग से पहले मर्ज किया जाएगा। डिटेक्शनों में bounding boxes और class names (और कीपॉइंट डिटेक्शन होने पर keypoints) शामिल होने चाहिए। ट्रैकिंग के बाद आउटपुट में वही डिटेक्शन track\_id जानकारी के साथ समृद्ध होकर शामिल होंगे, जिससे फ्रेम्स के बीच एक ही ऑब्जेक्ट की पहचान संभव होगी..
  * `track_activation_threshold` ([*`float_zero_to_one`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/float-zero-to-one.md)): डिटेक्शनों से नए ट्रैक सक्रिय करने के लिए कॉन्फ़िडेंस थ्रेशहोल्ड। यह 0.0 और 1.0 के बीच होना चाहिए। डिफ़ॉल्ट 0.25 है। केवल इस थ्रेशहोल्ड से अधिक कॉन्फ़िडेंस वाली डिटेक्शन ही नए ट्रैक बना सकती हैं। इस थ्रेशहोल्ड को बढ़ाने से (उदाहरण: 0.3-0.5) केवल उच्च-विश्वास डिटेक्शनों से ट्रैक बनाकर ट्रैकिंग सटीकता और स्थिरता बेहतर होती है, लेकिन कम कॉन्फ़िडेंस वाली वास्तविक डिटेक्शन छूट सकती हैं। इस थ्रेशहोल्ड को घटाने से (उदाहरण: 0.15-0.2) कम कॉन्फ़िडेंस वाली डिटेक्शन स्वीकार करके ट्रैकिंग पूर्णता बढ़ती है, लेकिन गलत सकारात्मक से शोर और अस्थिरता आने का जोखिम होता है। डिटेक्शन मॉडल के प्रदर्शन के आधार पर समायोजित करें: यदि डिटेक्शन विश्वसनीय हों तो कम मान उपयोग करें, यदि गलत सकारात्मक सामान्य हों तो अधिक मान उपयोग करें..
  * `lost_track_buffer` ([*`integer`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/integer.md)): किसी ट्रैक के खो जाने पर (कोई मैचिंग डिटेक्शन न होने पर) उसे बनाए रखने के लिए फ्रेम्स की संख्या। यह एक धनात्मक पूर्णांक होना चाहिए। डिफ़ॉल्ट 30 फ्रेम्स है। जब कोई ऑब्जेक्ट अस्थायी रूप से गायब हो जाता है (ओक्लूज़न, छूटी हुई डिटेक्शन, या फ्रेम छोड़ने के कारण), तो ट्रैक को खोया हुआ मानने से पहले इस संख्या के फ्रेम्स तक बनाए रखा जाता है। इस मान को बढ़ाने से (उदाहरण: 50-100) ओक्लूज़न हैंडलिंग बेहतर होती है और संक्षिप्त डिटेक्शन अंतरालों के कारण होने वाले ट्रैक खंडन या गायब होने में उल्लेखनीय कमी आती है, लेकिन मेमोरी उपयोग बढ़ता है। इस मान को घटाने से (उदाहरण: 10-20) मेमोरी उपयोग कम होता है, लेकिन छोटे ओक्लूज़न के दौरान ट्रैक्स गायब हो सकते हैं। ओक्लूज़न की आवृत्ति के आधार पर समायोजित करें: बार-बार ओक्लूज़न होने पर उच्च मान, स्थिर ट्रैकिंग परिदृश्यों में कम मान उपयोग करें..
  * `minimum_matching_threshold` ([*`float_zero_to_one`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/float-zero-to-one.md)): मौजूदा ट्रैक्स के साथ डिटेक्शनों को मिलाने के लिए IoU (Intersection over Union) थ्रेशहोल्ड। यह 0.0 और 1.0 के बीच होना चाहिए। डिफ़ॉल्ट 0.8 है। जब उनकी bounding box IoU इस थ्रेशहोल्ड से अधिक होती है, तब डिटेक्शनों को ट्रैक्स से जोड़ा जाता है। इस थ्रेशहोल्ड को बढ़ाने से (उदाहरण: 0.85-0.95) अधिक मज़बूत स्थानिक ओवरलैप की आवश्यकता रखकर ट्रैकिंग सटीकता बेहतर होती है, लेकिन जब ऑब्जेक्ट्स तेज़ी से चलते हैं या डिटेक्शन बॉक्स बदलते हैं, तब ट्रैक खंडन का जोखिम रहता है। इस थ्रेशहोल्ड को घटाने से (उदाहरण: 0.6-0.75) अधिक ढीले मिलान स्वीकार करके ट्रैकिंग पूर्णता बेहतर होती है, लेकिन गलत सकारात्मक एसोसिएशन और ट्रैक ड्रिफ्ट का जोखिम रहता है। ऑब्जेक्ट गति की गति और डिटेक्शन स्थिरता के आधार पर समायोजित करें: स्थिर ऑब्जेक्ट्स के लिए उच्च मान, तेज़ी से चलने वाले ऑब्जेक्ट्स के लिए कम मान उपयोग करें..
  * `minimum_consecutive_frames` ([*`integer`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/integer.md)): वह न्यूनतम लगातार फ्रेम्स जिनमें किसी ऑब्जेक्ट को वैध मानकर आउटपुट करने से पहले ट्रैक किया जाना चाहिए। यह एक धनात्मक पूर्णांक होना चाहिए। डिफ़ॉल्ट 1 है (सभी ट्रैक तुरंत वैध होते हैं)। केवल वे ट्रैक्स जो कम से कम इतने लगातार फ्रेम्स तक बने रहते हैं, आउटपुट में शामिल किए जाते हैं। इस मान को बढ़ाने से (उदाहरण: 3-5) गलत डिटेक्शन या डबल डिटेक्शन से आकस्मिक ट्रैक्स बनने से बचाव होता है, और अल्पकालिक नकली ट्रैक्स फ़िल्टर हो जाते हैं, लेकिन छोटे वैध ट्रैक्स छूटने का जोखिम रहता है। इस मान को घटाने से (उदाहरण: 1) सभी ट्रैक्स तुरंत शामिल होते हैं, जिससे पूर्णता अधिकतम होती है लेकिन गलत ट्रैक्स भी शामिल हो सकते हैं। गलत सकारात्मक दर के आधार पर समायोजित करें: यदि गलत डिटेक्शन सामान्य हों तो उच्च मान, यदि डिटेक्शन विश्वसनीय हों तो कम मान उपयोग करें..
* आउटपुट
  * `tracked_detections` ([`object_detection_prediction`](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/object-detection-prediction.md)): sv.Detections(...) ऑब्जेक्ट के रूप में डिटेक्ट किए गए बाउंडिंग बॉक्स वाली प्रेडिक्शन।
  * `new_instances` ([`object_detection_prediction`](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/object-detection-prediction.md)): sv.Detections(...) ऑब्जेक्ट के रूप में डिटेक्ट किए गए बाउंडिंग बॉक्स वाली प्रेडिक्शन।
  * `already_seen_instances` ([`object_detection_prediction`](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/object-detection-prediction.md)): sv.Detections(...) ऑब्जेक्ट के रूप में डिटेक्ट किए गए बाउंडिंग बॉक्स वाली प्रेडिक्शन।

</details>

<details>

<summary>उदाहरण JSON परिभाषा</summary>

```json
{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/byte_tracker@v3",
	    "image": "<block_does_not_provide_example>",
	    "detections": "$steps.object_detection_model.predictions",
	    "track_activation_threshold": 0.25,
	    "lost_track_buffer": 30,
	    "minimum_matching_threshold": 0.8,
	    "minimum_consecutive_frames": 1,
	    "instances_cache_size": "<block_does_not_provide_example>"
	}
```

</details>

## v2

सुसंगत ऑब्जेक्ट पहचान बनाए रखने, ओक्लूज़न और अस्थायी गायब होने को संभालने, मौजूदा ट्रैक्स के साथ डिटेक्शनों को जोड़ने, अद्वितीय ट्रैक आईडी असाइन करने, तथा ऑब्जेक्ट व्यवहार विश्लेषण, गति ट्रैकिंग, और वीडियो एनालिटिक्स वर्कफ़्लो को सक्षम करने के लिए ByteTrack एल्गोरिद्म का उपयोग करके वीडियो फ्रेम्स में ऑब्जेक्ट्स को ट्रैक करें।

## यह ब्लॉक कैसे काम करता है

यह ब्लॉक प्रत्येक फ्रेम की डिटेक्शनों को मौजूदा ट्रैक्स के साथ जोड़कर और नए ऑब्जेक्ट्स के लिए नए ट्रैक बनाकर क्रमिक वीडियो फ्रेम्स में ऑब्जेक्ट ट्रैकिंग बनाए रखता है। ब्लॉक:

1. वर्तमान फ्रेम के लिए डिटेक्शन प्रेडिक्शन्स और एम्बेडेड वीडियो मेटाडेटा वाली एक छवि प्राप्त करता है
2. छवि से वीडियो मेटाडेटा निकालता है (जिसमें फ्रेम दर और वीडियो पहचानकर्ता शामिल हैं):
   * WorkflowImageData ऑब्जेक्ट से video\_metadata तक पहुँचता है
   * ट्रैकर कॉन्फ़िगरेशन के लिए fps (फ्रेम प्रति सेकंड) निकालता है
   * विभिन्न वीडियो के लिए अलग ट्रैकिंग स्थिति बनाए रखने हेतु video\_identifier निकालता है
   * गायब fps को सहजता से संभालता है (विफल होने के बजाय डिफ़ॉल्ट रूप से 0 रखता है और चेतावनी लॉग करता है)
3. वीडियो के लिए ByteTrack ट्रैकर आरंभ या पुनर्प्राप्त करता है:
   * प्रत्येक अद्वितीय वीडियो (video\_identifier द्वारा पहचाना गया) के लिए एक नया ट्रैकर इंस्टेंस बनाता है
   * फ्रेम्स के बीच ट्रैकिंग स्थिति बनाए रखने के लिए ट्रैकरों को मेमोरी में संग्रहीत करता है
   * मेटाडेटा से फ्रेम दर और उपयोगकर्ता-निर्धारित पैरामीटर के साथ ट्रैकर कॉन्फ़िगर करता है
   * उसी वीडियो के बाद के फ्रेम्स के लिए मौजूदा ट्रैकर का पुनः उपयोग करता है
4. यदि प्रदान किए गए हों, तो कई डिटेक्शन बैचों को मर्ज करता है:
   * कई स्रोतों से डिटेक्शनों को एकल डिटेक्शन सेट में जोड़ता है
   * सुसंगत ट्रैकिंग के लिए यह सुनिश्चित करता है कि सभी डिटेक्शनों को एक साथ प्रोसेस किया जाए
5. ByteTrack एल्गोरिद्म का उपयोग करके ट्रैक्स अपडेट करता है:
   * **ट्रैक एसोसिएशन**: IoU (Intersection over Union) मैचिंग का उपयोग करके वर्तमान फ्रेम की डिटेक्शनों को मौजूदा ट्रैक्स से मिलाता है
   * **ट्रैक एक्टिवेशन**: track\_activation\_threshold से अधिक कॉन्फ़िडेंस वाली और मौजूदा ट्रैक्स से न मिलने वाली डिटेक्शनों के लिए नए ट्रैक बनाता है
   * **ट्रैक मैचिंग**: जब IoU minimum\_matching\_threshold से अधिक हो, तब डिटेक्शनों को ट्रैक्स से जोड़ता है
   * **ट्रैक पर्सिस्टेंस**: lost\_track\_buffer का उपयोग करके उन ट्रैक्स को बनाए रखता है जिनके साथ कोई मैच नहीं है, ताकि अस्थायी ओक्लूज़न संभाले जा सकें
   * **ट्रैक वैलिडेशन**: केवल उन ट्रैक्स को आउटपुट करता है जो कम से कम minimum\_consecutive\_frames लगातार फ्रेम्स तक मौजूद रहे हैं
6. ट्रैकिंग चुनौतियों को संभालता है:
   * **ओक्लूज़न**: जब ऑब्जेक्ट अस्थायी रूप से छिपे हों, तब ट्रैक्स बनाए रखता है (lost\_track\_buffer फ्रेम्स का उपयोग करके)
   * **छूटी हुई डिटेक्शन**: डिटेक्शन गायब होने वाले फ्रेम्स के दौरान ट्रैक्स को जीवित रखता है
   * **गलत सकारात्मक**: उन ट्रैक्स को फ़िल्टर करता है जो पर्याप्त समय तक टिकते नहीं हैं (minimum\_consecutive\_frames)
   * **ट्रैक खंडन**: खोए हुए ऑब्जेक्ट्स के लिए बफ़र बनाए रखकर ट्रैक विभाजन को कम करता है
7. प्रत्येक ऑब्जेक्ट को अद्वितीय ट्रैक आईडी असाइन करता है:
   * ट्रैक किया गया प्रत्येक ऑब्जेक्ट एक सुसंगत track\_id प्राप्त करता है जो फ्रेम्स के बीच बना रहता है
   * ट्रैक सक्रिय होने पर ट्रैक आईडी असाइन किए जाते हैं और पूरे वीडियो के दौरान बनाए रखे जाते हैं
   * पूरे वीडियो अनुक्रम में व्यक्तिगत ऑब्जेक्ट्स को ट्रैक करने में सक्षम बनाता है
8. ट्रैक आईडी के साथ ट्रैक किए गए डिटेक्शन लौटाता है:
   * track\_id जानकारी से समृद्ध डिटेक्शन प्रेडिक्शन्स आउटपुट करता है
   * प्रत्येक डिटेक्शन में उसका असाइन किया गया track\_id शामिल होता है, ताकि फ्रेम्स के बीच एक ही ऑब्जेक्ट की पहचान हो सके
   * सभी मूल डिटेक्शन गुण (bounding boxes, confidence, class names) के साथ ट्रैकिंग जानकारी भी बनाए रखता है

ByteTrack एक कुशल मल्टी-ऑब्जेक्ट ट्रैकिंग एल्गोरिद्म है जो tracking-by-detection करता है, और appearance features की आवश्यकता के बिना फ्रेम्स के बीच डिटेक्शनों को जोड़ता है। यह दो-चरणीय एसोसिएशन रणनीति का उपयोग करता है: पहले उच्च-विश्वास डिटेक्शनों को ट्रैक्स से मिलाना, फिर निम्न-विश्वास डिटेक्शनों को शेष ट्रैक्स और खोए हुए ट्रैक्स से मिलाना। एल्गोरिद्म खोए हुए ट्रैक्स के लिए एक बफ़र बनाए रखता है, जिससे यह तब ट्रैक्स पुनः प्राप्त कर सकता है जब ऑब्जेक्ट ओक्लूज़न या डिटेक्शन विफलताओं के कारण अस्थायी रूप से गायब हो जाते हैं। कॉन्फ़िगर करने योग्य पैरामीटर ट्रैकिंग व्यवहार को सूक्ष्म रूप से समायोजित करने देते हैं: track\_activation\_threshold यह नियंत्रित करता है कि नए ट्रैक कब बनाए जाते हैं (उच्च = अधिक सतर्क), lost\_track\_buffer ओक्लूज़न हैंडलिंग नियंत्रित करता है (उच्च = बेहतर ओक्लूज़न रिकवरी), minimum\_matching\_threshold एसोसिएशन गुणवत्ता नियंत्रित करता है (उच्च = अधिक कड़ा मिलान), और minimum\_consecutive\_frames अल्पकालिक गलत ट्रैक्स को फ़िल्टर करता है (उच्च = कम गलत ट्रैक)।

## सामान्य उपयोग मामले

* **वीडियो विश्लेषिकी**: व्यवहार विश्लेषण और गति पैटर्न के लिए वीडियो फ्रेम्स में ऑब्जेक्ट्स को ट्रैक करें (उदाहरण: वीडियो में लोगों की गति ट्रैक करें, वाहन मार्गों की निगरानी करें, ऑब्जेक्ट ट्रैजेक्टरी का विश्लेषण करें), जिससे वीडियो एनालिटिक्स वर्कफ़्लो सक्षम होते हैं
* **यातायात मॉनिटरिंग**: ट्रैफिक विश्लेषण के लिए ट्रैफिक दृश्यों में वाहनों और ऑब्जेक्ट्स को ट्रैक करें (उदाहरण: फ्रेम्स के बीच वाहनों को ट्रैक करें, वाहन पथों की निगरानी करें, सुसंगत आईडी वाले वाहनों की गिनती करें), जिससे ट्रैफिक मॉनिटरिंग वर्कफ़्लो सक्षम होते हैं
* **निगरानी प्रणालियाँ**: सुरक्षा निगरानी के लिए वीडियो फ्रेम्स में ऑब्जेक्ट पहचान बनाए रखें (उदाहरण: निगरानी फुटेज में व्यक्तियों को ट्रैक करें, ऑब्जेक्ट गति की निगरानी करें, ऑब्जेक्ट पहचान बनाए रखें), जिससे निगरानी ट्रैकिंग वर्कफ़्लो सक्षम होते हैं
* **खेल विश्लेषण**: प्रदर्शन विश्लेषण के लिए खेल वीडियो में खिलाड़ियों और ऑब्जेक्ट्स को ट्रैक करें (उदाहरण: खिलाड़ी की गति ट्रैक करें, खिलाड़ी ट्रैजेक्टरी का विश्लेषण करें, गेंद की स्थिति की निगरानी करें), जिससे खेल विश्लेषण वर्कफ़्लो सक्षम होते हैं
* **रिटेल विश्लेषिकी**: रिटेल अंतर्दृष्टि के लिए वीडियो फ्रेम्स में ग्राहकों और उत्पादों को ट्रैक करें (उदाहरण: ग्राहक पथों को ट्रैक करें, खरीदारी व्यवहार की निगरानी करें, फुट ट्रैफिक पैटर्न का विश्लेषण करें), जिससे रिटेल एनालिटिक्स वर्कफ़्लो सक्षम होते हैं
* **ऑब्जेक्ट व्यवहार विश्लेषण**: समय के साथ उनके व्यवहार और अंतःक्रियाओं का विश्लेषण करने के लिए ऑब्जेक्ट्स को ट्रैक करें (उदाहरण: ऑब्जेक्ट अंतःक्रियाओं का विश्लेषण करें, गति पैटर्न का अध्ययन करें, ऑब्जेक्ट संबंधों को ट्रैक करें), जिससे व्यवहार विश्लेषण वर्कफ़्लो सक्षम होते हैं

## अन्य ब्लॉक्स से जोड़ना

यह ब्लॉक वीडियो मेटाडेटा और डिटेक्शन प्रेडिक्शन्स वाली एक छवि प्राप्त करता है, और track IDs के साथ tracked\_detections उत्पन्न करता है:

* **ऑब्जेक्ट डिटेक्शन या इंस्टेंस सेगमेंटेशन ब्लॉकों के बाद** पता लगाए गए ऑब्जेक्ट्स को वीडियो फ्रेम्स में ट्रैक करने के लिए (उदाहरण: वीडियो में डिटेक्ट किए गए ऑब्जेक्ट्स को ट्रैक करें, डिटेक्शनों में ट्रैक आईडी जोड़ें, फ्रेम्स के बीच ऑब्जेक्ट पहचान बनाए रखें), जिससे डिटेक्शन-टू-ट्रैकिंग वर्कफ़्लो सक्षम होते हैं
* **वीडियो विश्लेषण ब्लॉक्स से पहले** जिन्हें सुसंगत ऑब्जेक्ट पहचान की आवश्यकता होती है (उदाहरण: ट्रैक किए गए ऑब्जेक्ट व्यवहार का विश्लेषण करें, ऑब्जेक्ट ट्रैजेक्टरी प्रोसेस करें, ट्रैक किए गए ऑब्जेक्ट डेटा के साथ काम करें), जिससे ट्रैकिंग-से-विश्लेषण वर्कफ़्लो सक्षम होते हैं
* **विज़ुअलाइज़ेशन ब्लॉकों से पहले** सुसंगत रंगों या लेबल्स के साथ ट्रैक किए गए ऑब्जेक्ट्स प्रदर्शित करने के लिए (उदाहरण: ट्रैक किए गए ऑब्जेक्ट्स को विज़ुअलाइज़ करें, ट्रैक आईडी दिखाएँ, ऑब्जेक्ट पथ दिखाएँ), जिससे ट्रैकिंग विज़ुअलाइज़ेशन वर्कफ़्लो सक्षम होते हैं
* **लॉजिक ब्लॉकों से पहले** जैसे Continue If, ताकि ट्रैक जानकारी के आधार पर निर्णय लिए जा सकें (उदाहरण: यदि ऑब्जेक्ट ट्रैक किया गया है तो आगे बढ़ें, ट्रैक आईडी के आधार पर फ़िल्टर करें, ट्रैकिंग डेटा का उपयोग करके निर्णय लें), जिससे ट्रैकिंग-आधारित निर्णय वर्कफ़्लो सक्षम होते हैं
* **गिनती या एग्रीगेशन ब्लॉक्स से पहले** ट्रैक किए गए ऑब्जेक्ट्स की सटीक गिनती करने के लिए (उदाहरण: अद्वितीय ट्रैक किए गए ऑब्जेक्ट्स की गिनती करें, ट्रैक आँकड़ों का समेकन करें, ट्रैक डेटा प्रोसेस करें), जिससे ट्रैकिंग-से-गिनती वर्कफ़्लो सक्षम होते हैं
* **वीडियो प्रोसेसिंग पाइपलाइनों में** जहाँ ऑब्जेक्ट ट्रैकिंग एक बड़े वीडियो विश्लेषण वर्कफ़्लो का हिस्सा है (उदाहरण: वीडियो पाइपलाइनों में ऑब्जेक्ट्स को ट्रैक करें, प्रोसेसिंग चेन में पहचान बनाए रखें, वीडियो एनालिटिक्स सक्षम करें), जिससे वीडियो ट्रैकिंग पाइपलाइन वर्कफ़्लो सक्षम होते हैं

## संस्करणों के अंतर

**v1 से उन्नत:**

* **सरल इनपुट**: उपयोग करता है `छवि` ऐसा input जिसमें एम्बेडेड वीडियो मेटाडेटा शामिल है, बजाय इसके कि एक अलग `मेटाडेटा` field की आवश्यकता हो, जिससे वर्कफ़्लो कनेक्शन सरल होते हैं और इनपुट जटिलता कम होती है
* **सुगम FPS हैंडलिंग**: त्रुटि फेंकने के बजाय डिफ़ॉल्ट रूप से 0 रखकर और चेतावनी लॉग करके गायब या अमान्य fps मानों को सहजता से संभालता है, जिससे यह ब्लॉक अधूरे मेटाडेटा के प्रति अधिक लचीला बनता है
* **बेहतर एकीकरण**: इमेज-आधारित वर्कफ़्लो के साथ बेहतर एकीकरण, क्योंकि वीडियो मेटाडेटा को अलग मेटाडेटा इनपुट की आवश्यकता के बजाय सीधे इमेज ऑब्जेक्ट से एक्सेस किया जाता है

## आवश्यकताएँ

इस ब्लॉक को डिटेक्शन प्रेडिक्शन्स (ऑब्जेक्ट डिटेक्शन या इंस्टेंस सेगमेंटेशन) और फ्रेम दर (fps) तथा वीडियो पहचानकर्ता जानकारी वाले एम्बेडेड वीडियो मेटाडेटा सहित एक छवि की आवश्यकता होती है। इष्टतम ट्रैकिंग प्रदर्शन के लिए छवि के video\_metadata में एक मान्य fps मान शामिल होना चाहिए, हालाँकि यदि यह अनुपस्थित हो तो ब्लॉक fps=0 के साथ कार्य जारी रखेगा। यह ब्लॉक प्रत्येक वीडियो के लिए फ्रेम्स के बीच ट्रैकिंग स्थिति बनाए रखता है, इसलिए इसे उन वीडियो वर्कफ़्लो में उपयोग किया जाना चाहिए जहाँ फ्रेम्स क्रमिक रूप से प्रोसेस होते हैं। सर्वोत्तम ट्रैकिंग प्रदर्शन के लिए, डिटेक्शनों को फ्रेम्स के बीच लगातार प्रदान किया जाना चाहिए। एल्गोरिद्म स्थिर डिटेक्शन प्रदर्शन के साथ सबसे अच्छा काम करता है और lost\_track\_buffer तंत्र के माध्यम से अस्थायी डिटेक्शन अंतराल को संभालता है।

### प्रकार पहचानकर्ता

चरण में निम्नलिखित पहचानकर्ता का उपयोग करें `"type"` फ़ील्ड: `roboflow_core/byte_tracker@v2` ताकि ब्लॉक को अपने वर्कफ़्लो में एक चरण के रूप में जोड़ा जा सके।

### गुण

| **नाम**                      | **प्रकार** | **विवरण**                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                            | संदर्भ |
| ---------------------------- | ---------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ------ |
| `नाम`                        | `str`      | इस चरण के लिए एक अद्वितीय पहचानकर्ता दर्ज करें..                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                     | ❌      |
| `track_activation_threshold` | `float`    | डिटेक्शनों से नए ट्रैक सक्रिय करने के लिए कॉन्फ़िडेंस थ्रेशहोल्ड। यह 0.0 और 1.0 के बीच होना चाहिए। डिफ़ॉल्ट 0.25 है। केवल इस थ्रेशहोल्ड से अधिक कॉन्फ़िडेंस वाली डिटेक्शन ही नए ट्रैक बना सकती हैं। इस थ्रेशहोल्ड को बढ़ाने से (उदाहरण: 0.3-0.5) केवल उच्च-विश्वास डिटेक्शनों से ट्रैक बनाकर ट्रैकिंग सटीकता और स्थिरता बेहतर होती है, लेकिन कम कॉन्फ़िडेंस वाली वास्तविक डिटेक्शन छूट सकती हैं। इस थ्रेशहोल्ड को घटाने से (उदाहरण: 0.15-0.2) कम कॉन्फ़िडेंस वाली डिटेक्शन स्वीकार करके ट्रैकिंग पूर्णता बढ़ती है, लेकिन गलत सकारात्मक से शोर और अस्थिरता आने का जोखिम होता है। डिटेक्शन मॉडल के प्रदर्शन के आधार पर समायोजित करें: यदि डिटेक्शन विश्वसनीय हों तो कम मान उपयोग करें, यदि गलत सकारात्मक सामान्य हों तो अधिक मान उपयोग करें..                                                                          | ✅      |
| `lost_track_buffer`          | `int`      | किसी ट्रैक के खो जाने पर (कोई मैचिंग डिटेक्शन न होने पर) उसे बनाए रखने के लिए फ्रेम्स की संख्या। यह एक धनात्मक पूर्णांक होना चाहिए। डिफ़ॉल्ट 30 फ्रेम्स है। जब कोई ऑब्जेक्ट अस्थायी रूप से गायब हो जाता है (ओक्लूज़न, छूटी हुई डिटेक्शन, या फ्रेम छोड़ने के कारण), तो ट्रैक को खोया हुआ मानने से पहले इस संख्या के फ्रेम्स तक बनाए रखा जाता है। इस मान को बढ़ाने से (उदाहरण: 50-100) ओक्लूज़न हैंडलिंग बेहतर होती है और संक्षिप्त डिटेक्शन अंतरालों के कारण होने वाले ट्रैक खंडन या गायब होने में उल्लेखनीय कमी आती है, लेकिन मेमोरी उपयोग बढ़ता है। इस मान को घटाने से (उदाहरण: 10-20) मेमोरी उपयोग कम होता है, लेकिन छोटे ओक्लूज़न के दौरान ट्रैक्स गायब हो सकते हैं। ओक्लूज़न की आवृत्ति के आधार पर समायोजित करें: बार-बार ओक्लूज़न होने पर उच्च मान, स्थिर ट्रैकिंग परिदृश्यों में कम मान उपयोग करें..           | ✅      |
| `minimum_matching_threshold` | `float`    | मौजूदा ट्रैक्स के साथ डिटेक्शनों को मिलाने के लिए IoU (Intersection over Union) थ्रेशहोल्ड। यह 0.0 और 1.0 के बीच होना चाहिए। डिफ़ॉल्ट 0.8 है। जब उनकी bounding box IoU इस थ्रेशहोल्ड से अधिक होती है, तब डिटेक्शनों को ट्रैक्स से जोड़ा जाता है। इस थ्रेशहोल्ड को बढ़ाने से (उदाहरण: 0.85-0.95) अधिक मज़बूत स्थानिक ओवरलैप की आवश्यकता रखकर ट्रैकिंग सटीकता बेहतर होती है, लेकिन जब ऑब्जेक्ट्स तेज़ी से चलते हैं या डिटेक्शन बॉक्स बदलते हैं, तब ट्रैक खंडन का जोखिम रहता है। इस थ्रेशहोल्ड को घटाने से (उदाहरण: 0.6-0.75) अधिक ढीले मिलान स्वीकार करके ट्रैकिंग पूर्णता बेहतर होती है, लेकिन गलत सकारात्मक एसोसिएशन और ट्रैक ड्रिफ्ट का जोखिम रहता है। ऑब्जेक्ट गति की गति और डिटेक्शन स्थिरता के आधार पर समायोजित करें: स्थिर ऑब्जेक्ट्स के लिए उच्च मान, तेज़ी से चलने वाले ऑब्जेक्ट्स के लिए कम मान उपयोग करें.. | ✅      |
| `minimum_consecutive_frames` | `int`      | वह न्यूनतम लगातार फ्रेम्स जिनमें किसी ऑब्जेक्ट को वैध मानकर आउटपुट करने से पहले ट्रैक किया जाना चाहिए। यह एक धनात्मक पूर्णांक होना चाहिए। डिफ़ॉल्ट 1 है (सभी ट्रैक तुरंत वैध होते हैं)। केवल वे ट्रैक्स जो कम से कम इतने लगातार फ्रेम्स तक बने रहते हैं, आउटपुट में शामिल किए जाते हैं। इस मान को बढ़ाने से (उदाहरण: 3-5) गलत डिटेक्शन या डबल डिटेक्शन से आकस्मिक ट्रैक्स बनने से बचाव होता है, और अल्पकालिक नकली ट्रैक्स फ़िल्टर हो जाते हैं, लेकिन छोटे वैध ट्रैक्स छूटने का जोखिम रहता है। इस मान को घटाने से (उदाहरण: 1) सभी ट्रैक्स तुरंत शामिल होते हैं, जिससे पूर्णता अधिकतम होती है लेकिन गलत ट्रैक्स भी शामिल हो सकते हैं। गलत सकारात्मक दर के आधार पर समायोजित करें: यदि गलत डिटेक्शन सामान्य हों तो उच्च मान, यदि डिटेक्शन विश्वसनीय हों तो कम मान उपयोग करें..                                           | ✅      |

यह **संदर्भ** कॉलम उस संभावना को चिह्नित करता है कि प्रॉपर्टी को गतिशील मानों के साथ पैरामीटराइज़ किया जा सकता है, जो उपलब्ध हैं `वर्कफ़्लो` रनटाइम में। देखें *बाइंडिंग्स* अधिक जानकारी के लिए।

### रनटाइम संगतता

`सॉफ्ट` - रनटाइम `hosted_serverless`, `dedicated_deployment`; निष्पादन `रिमोट`; इनपुट `वीडियो` : ब्लॉक प्रति-वीडियो स्थिति को प्रक्रिया मेमोरी में बनाए रखता है (video\_metadata.video\_identifier द्वारा key किया गया)। Stateless या multi-replica HTTP runtimes पर remote step execution के साथ, क्रमिक अनुरोध अलग-अलग worker processes द्वारा सर्व किए जा सकते हैं, इसलिए calls के बीच state reset हो जाता है और tracking / counting / aggregation के लिए output अर्थहीन हो जाता है। स्थिर cross-frame results के लिए InferencePipeline में local step execution का उपयोग करें।

`सॉफ्ट` - इनपुट `छवि` : ब्लॉक वीडियो या repeated-frame workflows से प्राप्त temporal context पर निर्भर करता है। एक स्थिर image/photo के साथ, ट्रैक करने, तुलना करने, एकत्रित करने या दृश्यीकृत करने के लिए कोई अर्थपूर्ण history नहीं होती, इसलिए यह ब्लॉक बहुत कम या कोई लाभ नहीं देता।

### इनपुट और आउटपुट बाइंडिंग्स

उपलब्ध कनेक्शन इसके बाइंडिंग प्रकारों पर निर्भर करते हैं। जाँचें कि कौन-से बाइंडिंग प्रकार `Byte ट्रैकर` संस्करण में `v2` हैं।

<details>

<summary>इनपुट और आउटपुट बाइंडिंग्स</summary>

* इनपुट
  * `छवि` ([*`छवि`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/image.md)): ByteTrack आरंभ और ट्रैकिंग स्थिति प्रबंधन के लिए आवश्यक एम्बेडेड वीडियो मेटाडेटा (fps और video\_identifier) वाली इनपुट छवि। यह ब्लॉक WorkflowImageData ऑब्जेक्ट से video\_metadata निकालता है। fps मान का उपयोग ट्रैकर कॉन्फ़िगर करने के लिए किया जाता है, और video\_identifier का उपयोग अलग-अलग वीडियो के लिए अलग ट्रैकिंग स्थिति बनाए रखने के लिए किया जाता है। यदि fps गायब हो या अमान्य हो, तो ब्लॉक डिफ़ॉल्ट रूप से 0 पर जाता है और चेतावनी लॉग करता है, लेकिन कार्य जारी रखता है। यदि एक से अधिक वीडियो प्रोसेस किए जा रहे हों, तो प्रत्येक वीडियो के metadata में एक अद्वितीय video\_identifier होना चाहिए ताकि अलग ट्रैकिंग स्थितियाँ बनाए रखी जा सकें। ब्लॉक video\_identifier का उपयोग करके प्रत्येक वीडियो के लिए फ़्रेम्स के बीच स्थायी ट्रैकर बनाए रखता है। यह संस्करण metadata को अलग फ़ील्ड की आवश्यकता के बजाय छवि ऑब्जेक्ट में एम्बेड करके इनपुट को सरल बनाता है..
  * `डिटेक्शंस` (*Union\[*[*`instance_segmentation_prediction`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/instance-segmentation-prediction.md)*,* [*`object_detection_prediction`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/object-detection-prediction.md)*]*): वर्तमान वीडियो फ्रेम के लिए ट्रैक की जाने वाली डिटेक्शन प्रेडिक्शन्स (ऑब्जेक्ट डिटेक्शन या इंस्टेंस सेगमेंटेशन)। ब्लॉक इन डिटेक्शनों को मौजूदा ट्रैक्स के साथ जोड़ता है या नए ट्रैक बनाता है। सुसंगत ट्रैकिंग बनाए रखने के लिए डिटेक्शनों को प्रत्येक फ्रेम के लिए क्रम में प्रदान किया जाना चाहिए। यदि कई डिटेक्शन बैच दिए गए हों, तो उन्हें ट्रैकिंग से पहले मर्ज किया जाएगा। डिटेक्शनों में bounding boxes और class names शामिल होने चाहिए। ट्रैकिंग के बाद आउटपुट में वही डिटेक्शन track\_id जानकारी के साथ समृद्ध होकर शामिल होंगे, जिससे फ्रेम्स के बीच एक ही ऑब्जेक्ट की पहचान संभव होगी..
  * `track_activation_threshold` ([*`float_zero_to_one`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/float-zero-to-one.md)): डिटेक्शनों से नए ट्रैक सक्रिय करने के लिए कॉन्फ़िडेंस थ्रेशहोल्ड। यह 0.0 और 1.0 के बीच होना चाहिए। डिफ़ॉल्ट 0.25 है। केवल इस थ्रेशहोल्ड से अधिक कॉन्फ़िडेंस वाली डिटेक्शन ही नए ट्रैक बना सकती हैं। इस थ्रेशहोल्ड को बढ़ाने से (उदाहरण: 0.3-0.5) केवल उच्च-विश्वास डिटेक्शनों से ट्रैक बनाकर ट्रैकिंग सटीकता और स्थिरता बेहतर होती है, लेकिन कम कॉन्फ़िडेंस वाली वास्तविक डिटेक्शन छूट सकती हैं। इस थ्रेशहोल्ड को घटाने से (उदाहरण: 0.15-0.2) कम कॉन्फ़िडेंस वाली डिटेक्शन स्वीकार करके ट्रैकिंग पूर्णता बढ़ती है, लेकिन गलत सकारात्मक से शोर और अस्थिरता आने का जोखिम होता है। डिटेक्शन मॉडल के प्रदर्शन के आधार पर समायोजित करें: यदि डिटेक्शन विश्वसनीय हों तो कम मान उपयोग करें, यदि गलत सकारात्मक सामान्य हों तो अधिक मान उपयोग करें..
  * `lost_track_buffer` ([*`integer`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/integer.md)): किसी ट्रैक के खो जाने पर (कोई मैचिंग डिटेक्शन न होने पर) उसे बनाए रखने के लिए फ्रेम्स की संख्या। यह एक धनात्मक पूर्णांक होना चाहिए। डिफ़ॉल्ट 30 फ्रेम्स है। जब कोई ऑब्जेक्ट अस्थायी रूप से गायब हो जाता है (ओक्लूज़न, छूटी हुई डिटेक्शन, या फ्रेम छोड़ने के कारण), तो ट्रैक को खोया हुआ मानने से पहले इस संख्या के फ्रेम्स तक बनाए रखा जाता है। इस मान को बढ़ाने से (उदाहरण: 50-100) ओक्लूज़न हैंडलिंग बेहतर होती है और संक्षिप्त डिटेक्शन अंतरालों के कारण होने वाले ट्रैक खंडन या गायब होने में उल्लेखनीय कमी आती है, लेकिन मेमोरी उपयोग बढ़ता है। इस मान को घटाने से (उदाहरण: 10-20) मेमोरी उपयोग कम होता है, लेकिन छोटे ओक्लूज़न के दौरान ट्रैक्स गायब हो सकते हैं। ओक्लूज़न की आवृत्ति के आधार पर समायोजित करें: बार-बार ओक्लूज़न होने पर उच्च मान, स्थिर ट्रैकिंग परिदृश्यों में कम मान उपयोग करें..
  * `minimum_matching_threshold` ([*`float_zero_to_one`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/float-zero-to-one.md)): मौजूदा ट्रैक्स के साथ डिटेक्शनों को मिलाने के लिए IoU (Intersection over Union) थ्रेशहोल्ड। यह 0.0 और 1.0 के बीच होना चाहिए। डिफ़ॉल्ट 0.8 है। जब उनकी bounding box IoU इस थ्रेशहोल्ड से अधिक होती है, तब डिटेक्शनों को ट्रैक्स से जोड़ा जाता है। इस थ्रेशहोल्ड को बढ़ाने से (उदाहरण: 0.85-0.95) अधिक मज़बूत स्थानिक ओवरलैप की आवश्यकता रखकर ट्रैकिंग सटीकता बेहतर होती है, लेकिन जब ऑब्जेक्ट्स तेज़ी से चलते हैं या डिटेक्शन बॉक्स बदलते हैं, तब ट्रैक खंडन का जोखिम रहता है। इस थ्रेशहोल्ड को घटाने से (उदाहरण: 0.6-0.75) अधिक ढीले मिलान स्वीकार करके ट्रैकिंग पूर्णता बेहतर होती है, लेकिन गलत सकारात्मक एसोसिएशन और ट्रैक ड्रिफ्ट का जोखिम रहता है। ऑब्जेक्ट गति की गति और डिटेक्शन स्थिरता के आधार पर समायोजित करें: स्थिर ऑब्जेक्ट्स के लिए उच्च मान, तेज़ी से चलने वाले ऑब्जेक्ट्स के लिए कम मान उपयोग करें..
  * `minimum_consecutive_frames` ([*`integer`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/integer.md)): वह न्यूनतम लगातार फ्रेम्स जिनमें किसी ऑब्जेक्ट को वैध मानकर आउटपुट करने से पहले ट्रैक किया जाना चाहिए। यह एक धनात्मक पूर्णांक होना चाहिए। डिफ़ॉल्ट 1 है (सभी ट्रैक तुरंत वैध होते हैं)। केवल वे ट्रैक्स जो कम से कम इतने लगातार फ्रेम्स तक बने रहते हैं, आउटपुट में शामिल किए जाते हैं। इस मान को बढ़ाने से (उदाहरण: 3-5) गलत डिटेक्शन या डबल डिटेक्शन से आकस्मिक ट्रैक्स बनने से बचाव होता है, और अल्पकालिक नकली ट्रैक्स फ़िल्टर हो जाते हैं, लेकिन छोटे वैध ट्रैक्स छूटने का जोखिम रहता है। इस मान को घटाने से (उदाहरण: 1) सभी ट्रैक्स तुरंत शामिल होते हैं, जिससे पूर्णता अधिकतम होती है लेकिन गलत ट्रैक्स भी शामिल हो सकते हैं। गलत सकारात्मक दर के आधार पर समायोजित करें: यदि गलत डिटेक्शन सामान्य हों तो उच्च मान, यदि डिटेक्शन विश्वसनीय हों तो कम मान उपयोग करें..
* आउटपुट
  * `tracked_detections` ([`object_detection_prediction`](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/object-detection-prediction.md)): sv.Detections(...) ऑब्जेक्ट के रूप में डिटेक्ट किए गए बाउंडिंग बॉक्स वाली प्रेडिक्शन।

</details>

<details>

<summary>उदाहरण JSON परिभाषा</summary>

```json
{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/byte_tracker@v2",
	    "image": "<block_does_not_provide_example>",
	    "detections": "$steps.object_detection_model.predictions",
	    "track_activation_threshold": 0.25,
	    "lost_track_buffer": 30,
	    "minimum_matching_threshold": 0.8,
	    "minimum_consecutive_frames": 1
	}
```

</details>

## v1

सुसंगत ऑब्जेक्ट पहचान बनाए रखने, ओक्लूज़न और अस्थायी गायब होने को संभालने, मौजूदा ट्रैक्स के साथ डिटेक्शनों को जोड़ने, अद्वितीय ट्रैक आईडी असाइन करने, तथा ऑब्जेक्ट व्यवहार विश्लेषण, गति ट्रैकिंग, और वीडियो एनालिटिक्स वर्कफ़्लो को सक्षम करने के लिए ByteTrack एल्गोरिद्म का उपयोग करके वीडियो फ्रेम्स में ऑब्जेक्ट्स को ट्रैक करें।

## यह ब्लॉक कैसे काम करता है

यह ब्लॉक प्रत्येक फ्रेम की डिटेक्शनों को मौजूदा ट्रैक्स के साथ जोड़कर और नए ऑब्जेक्ट्स के लिए नए ट्रैक बनाकर क्रमिक वीडियो फ्रेम्स में ऑब्जेक्ट ट्रैकिंग बनाए रखता है। ब्लॉक:

1. वर्तमान फ्रेम के लिए डिटेक्शन प्रेडिक्शन्स और वीडियो मेटाडेटा (जिसमें फ्रेम दर और वीडियो पहचानकर्ता शामिल हैं) प्राप्त करता है
2. वीडियो के लिए ByteTrack ट्रैकर आरंभ या पुनर्प्राप्त करता है:
   * प्रत्येक अद्वितीय वीडियो (video\_identifier द्वारा पहचाना गया) के लिए एक नया ट्रैकर इंस्टेंस बनाता है
   * फ्रेम्स के बीच ट्रैकिंग स्थिति बनाए रखने के लिए ट्रैकरों को मेमोरी में संग्रहीत करता है
   * मेटाडेटा से फ्रेम दर और उपयोगकर्ता-निर्धारित पैरामीटर के साथ ट्रैकर कॉन्फ़िगर करता है
   * उसी वीडियो के बाद के फ्रेम्स के लिए मौजूदा ट्रैकर का पुनः उपयोग करता है
3. यदि प्रदान किए गए हों, तो कई डिटेक्शन बैचों को मर्ज करता है:
   * कई स्रोतों से डिटेक्शनों को एकल डिटेक्शन सेट में जोड़ता है
   * सुसंगत ट्रैकिंग के लिए यह सुनिश्चित करता है कि सभी डिटेक्शनों को एक साथ प्रोसेस किया जाए
4. ByteTrack एल्गोरिद्म का उपयोग करके ट्रैक्स अपडेट करता है:
   * **ट्रैक एसोसिएशन**: IoU (Intersection over Union) मैचिंग का उपयोग करके वर्तमान फ्रेम की डिटेक्शनों को मौजूदा ट्रैक्स से मिलाता है
   * **ट्रैक एक्टिवेशन**: track\_activation\_threshold से अधिक कॉन्फ़िडेंस वाली और मौजूदा ट्रैक्स से न मिलने वाली डिटेक्शनों के लिए नए ट्रैक बनाता है
   * **ट्रैक मैचिंग**: जब IoU minimum\_matching\_threshold से अधिक हो, तब डिटेक्शनों को ट्रैक्स से जोड़ता है
   * **ट्रैक पर्सिस्टेंस**: lost\_track\_buffer का उपयोग करके उन ट्रैक्स को बनाए रखता है जिनके साथ कोई मैच नहीं है, ताकि अस्थायी ओक्लूज़न संभाले जा सकें
   * **ट्रैक वैलिडेशन**: केवल उन ट्रैक्स को आउटपुट करता है जो कम से कम minimum\_consecutive\_frames लगातार फ्रेम्स तक मौजूद रहे हैं
5. ट्रैकिंग चुनौतियों को संभालता है:
   * **ओक्लूज़न**: जब ऑब्जेक्ट अस्थायी रूप से छिपे हों, तब ट्रैक्स बनाए रखता है (lost\_track\_buffer फ्रेम्स का उपयोग करके)
   * **छूटी हुई डिटेक्शन**: डिटेक्शन गायब होने वाले फ्रेम्स के दौरान ट्रैक्स को जीवित रखता है
   * **गलत सकारात्मक**: उन ट्रैक्स को फ़िल्टर करता है जो पर्याप्त समय तक टिकते नहीं हैं (minimum\_consecutive\_frames)
   * **ट्रैक खंडन**: खोए हुए ऑब्जेक्ट्स के लिए बफ़र बनाए रखकर ट्रैक विभाजन को कम करता है
6. प्रत्येक ऑब्जेक्ट को अद्वितीय ट्रैक आईडी असाइन करता है:
   * ट्रैक किया गया प्रत्येक ऑब्जेक्ट एक सुसंगत track\_id प्राप्त करता है जो फ्रेम्स के बीच बना रहता है
   * ट्रैक सक्रिय होने पर ट्रैक आईडी असाइन किए जाते हैं और पूरे वीडियो के दौरान बनाए रखे जाते हैं
   * पूरे वीडियो अनुक्रम में व्यक्तिगत ऑब्जेक्ट्स को ट्रैक करने में सक्षम बनाता है
7. ट्रैक आईडी के साथ ट्रैक किए गए डिटेक्शन लौटाता है:
   * track\_id जानकारी से समृद्ध डिटेक्शन प्रेडिक्शन्स आउटपुट करता है
   * प्रत्येक डिटेक्शन में उसका असाइन किया गया track\_id शामिल होता है, ताकि फ्रेम्स के बीच एक ही ऑब्जेक्ट की पहचान हो सके
   * सभी मूल डिटेक्शन गुण (bounding boxes, confidence, class names) के साथ ट्रैकिंग जानकारी भी बनाए रखता है

ByteTrack एक कुशल मल्टी-ऑब्जेक्ट ट्रैकिंग एल्गोरिद्म है जो tracking-by-detection करता है, और appearance features की आवश्यकता के बिना फ्रेम्स के बीच डिटेक्शनों को जोड़ता है। यह दो-चरणीय एसोसिएशन रणनीति का उपयोग करता है: पहले उच्च-विश्वास डिटेक्शनों को ट्रैक्स से मिलाना, फिर निम्न-विश्वास डिटेक्शनों को शेष ट्रैक्स और खोए हुए ट्रैक्स से मिलाना। एल्गोरिद्म खोए हुए ट्रैक्स के लिए एक बफ़र बनाए रखता है, जिससे यह तब ट्रैक्स पुनः प्राप्त कर सकता है जब ऑब्जेक्ट ओक्लूज़न या डिटेक्शन विफलताओं के कारण अस्थायी रूप से गायब हो जाते हैं। कॉन्फ़िगर करने योग्य पैरामीटर ट्रैकिंग व्यवहार को सूक्ष्म रूप से समायोजित करने देते हैं: track\_activation\_threshold यह नियंत्रित करता है कि नए ट्रैक कब बनाए जाते हैं (उच्च = अधिक सतर्क), lost\_track\_buffer ओक्लूज़न हैंडलिंग नियंत्रित करता है (उच्च = बेहतर ओक्लूज़न रिकवरी), minimum\_matching\_threshold एसोसिएशन गुणवत्ता नियंत्रित करता है (उच्च = अधिक कड़ा मिलान), और minimum\_consecutive\_frames अल्पकालिक गलत ट्रैक्स को फ़िल्टर करता है (उच्च = कम गलत ट्रैक)।

## सामान्य उपयोग मामले

* **वीडियो विश्लेषिकी**: व्यवहार विश्लेषण और गति पैटर्न के लिए वीडियो फ्रेम्स में ऑब्जेक्ट्स को ट्रैक करें (उदाहरण: वीडियो में लोगों की गति ट्रैक करें, वाहन मार्गों की निगरानी करें, ऑब्जेक्ट ट्रैजेक्टरी का विश्लेषण करें), जिससे वीडियो एनालिटिक्स वर्कफ़्लो सक्षम होते हैं
* **यातायात मॉनिटरिंग**: ट्रैफिक विश्लेषण के लिए ट्रैफिक दृश्यों में वाहनों और ऑब्जेक्ट्स को ट्रैक करें (उदाहरण: फ्रेम्स के बीच वाहनों को ट्रैक करें, वाहन पथों की निगरानी करें, सुसंगत आईडी वाले वाहनों की गिनती करें), जिससे ट्रैफिक मॉनिटरिंग वर्कफ़्लो सक्षम होते हैं
* **निगरानी प्रणालियाँ**: सुरक्षा निगरानी के लिए वीडियो फ्रेम्स में ऑब्जेक्ट पहचान बनाए रखें (उदाहरण: निगरानी फुटेज में व्यक्तियों को ट्रैक करें, ऑब्जेक्ट गति की निगरानी करें, ऑब्जेक्ट पहचान बनाए रखें), जिससे निगरानी ट्रैकिंग वर्कफ़्लो सक्षम होते हैं
* **खेल विश्लेषण**: प्रदर्शन विश्लेषण के लिए खेल वीडियो में खिलाड़ियों और ऑब्जेक्ट्स को ट्रैक करें (उदाहरण: खिलाड़ी की गति ट्रैक करें, खिलाड़ी ट्रैजेक्टरी का विश्लेषण करें, गेंद की स्थिति की निगरानी करें), जिससे खेल विश्लेषण वर्कफ़्लो सक्षम होते हैं
* **रिटेल विश्लेषिकी**: रिटेल अंतर्दृष्टि के लिए वीडियो फ्रेम्स में ग्राहकों और उत्पादों को ट्रैक करें (उदाहरण: ग्राहक पथों को ट्रैक करें, खरीदारी व्यवहार की निगरानी करें, फुट ट्रैफिक पैटर्न का विश्लेषण करें), जिससे रिटेल एनालिटिक्स वर्कफ़्लो सक्षम होते हैं
* **ऑब्जेक्ट व्यवहार विश्लेषण**: समय के साथ उनके व्यवहार और अंतःक्रियाओं का विश्लेषण करने के लिए ऑब्जेक्ट्स को ट्रैक करें (उदाहरण: ऑब्जेक्ट अंतःक्रियाओं का विश्लेषण करें, गति पैटर्न का अध्ययन करें, ऑब्जेक्ट संबंधों को ट्रैक करें), जिससे व्यवहार विश्लेषण वर्कफ़्लो सक्षम होते हैं

## अन्य ब्लॉक्स से जोड़ना

यह ब्लॉक डिटेक्शन प्रेडिक्शन्स और वीडियो मेटाडेटा प्राप्त करता है, और track IDs के साथ tracked\_detections उत्पन्न करता है:

* **ऑब्जेक्ट डिटेक्शन या इंस्टेंस सेगमेंटेशन ब्लॉकों के बाद** पता लगाए गए ऑब्जेक्ट्स को वीडियो फ्रेम्स में ट्रैक करने के लिए (उदाहरण: वीडियो में डिटेक्ट किए गए ऑब्जेक्ट्स को ट्रैक करें, डिटेक्शनों में ट्रैक आईडी जोड़ें, फ्रेम्स के बीच ऑब्जेक्ट पहचान बनाए रखें), जिससे डिटेक्शन-टू-ट्रैकिंग वर्कफ़्लो सक्षम होते हैं
* **वीडियो विश्लेषण ब्लॉक्स से पहले** जिन्हें सुसंगत ऑब्जेक्ट पहचान की आवश्यकता होती है (उदाहरण: ट्रैक किए गए ऑब्जेक्ट व्यवहार का विश्लेषण करें, ऑब्जेक्ट ट्रैजेक्टरी प्रोसेस करें, ट्रैक किए गए ऑब्जेक्ट डेटा के साथ काम करें), जिससे ट्रैकिंग-से-विश्लेषण वर्कफ़्लो सक्षम होते हैं
* **विज़ुअलाइज़ेशन ब्लॉकों से पहले** सुसंगत रंगों या लेबल्स के साथ ट्रैक किए गए ऑब्जेक्ट्स प्रदर्शित करने के लिए (उदाहरण: ट्रैक किए गए ऑब्जेक्ट्स को विज़ुअलाइज़ करें, ट्रैक आईडी दिखाएँ, ऑब्जेक्ट पथ दिखाएँ), जिससे ट्रैकिंग विज़ुअलाइज़ेशन वर्कफ़्लो सक्षम होते हैं
* **लॉजिक ब्लॉकों से पहले** जैसे Continue If, ताकि ट्रैक जानकारी के आधार पर निर्णय लिए जा सकें (उदाहरण: यदि ऑब्जेक्ट ट्रैक किया गया है तो आगे बढ़ें, ट्रैक आईडी के आधार पर फ़िल्टर करें, ट्रैकिंग डेटा का उपयोग करके निर्णय लें), जिससे ट्रैकिंग-आधारित निर्णय वर्कफ़्लो सक्षम होते हैं
* **गिनती या एग्रीगेशन ब्लॉक्स से पहले** ट्रैक किए गए ऑब्जेक्ट्स की सटीक गिनती करने के लिए (उदाहरण: अद्वितीय ट्रैक किए गए ऑब्जेक्ट्स की गिनती करें, ट्रैक आँकड़ों का समेकन करें, ट्रैक डेटा प्रोसेस करें), जिससे ट्रैकिंग-से-गिनती वर्कफ़्लो सक्षम होते हैं
* **वीडियो प्रोसेसिंग पाइपलाइनों में** जहाँ ऑब्जेक्ट ट्रैकिंग एक बड़े वीडियो विश्लेषण वर्कफ़्लो का हिस्सा है (उदाहरण: वीडियो पाइपलाइनों में ऑब्जेक्ट्स को ट्रैक करें, प्रोसेसिंग चेन में पहचान बनाए रखें, वीडियो एनालिटिक्स सक्षम करें), जिससे वीडियो ट्रैकिंग पाइपलाइन वर्कफ़्लो सक्षम होते हैं

## आवश्यकताएँ

इस ब्लॉक को डिटेक्शन प्रेडिक्शन्स (ऑब्जेक्ट डिटेक्शन या इंस्टेंस सेगमेंटेशन) और फ्रेम दर (fps) जानकारी वाले वीडियो मेटाडेटा की आवश्यकता होती है। वीडियो मेटाडेटा में ByteTrack आरंभ के लिए एक मान्य fps मान होना चाहिए। यह ब्लॉक प्रत्येक वीडियो के लिए फ्रेम्स के बीच ट्रैकिंग स्थिति बनाए रखता है, इसलिए इसे उन वीडियो वर्कफ़्लो में उपयोग किया जाना चाहिए जहाँ फ्रेम्स क्रमिक रूप से प्रोसेस होते हैं। सर्वोत्तम ट्रैकिंग प्रदर्शन के लिए, डिटेक्शनों को फ्रेम्स के बीच लगातार प्रदान किया जाना चाहिए। एल्गोरिद्म स्थिर डिटेक्शन प्रदर्शन के साथ सबसे अच्छा काम करता है और lost\_track\_buffer तंत्र के माध्यम से अस्थायी डिटेक्शन अंतराल को संभालता है।

### प्रकार पहचानकर्ता

चरण में निम्नलिखित पहचानकर्ता का उपयोग करें `"type"` फ़ील्ड: `roboflow_core/byte_tracker@v1` ताकि ब्लॉक को अपने वर्कफ़्लो में एक चरण के रूप में जोड़ा जा सके।

### गुण

| **नाम**                      | **प्रकार** | **विवरण**                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                            | संदर्भ |
| ---------------------------- | ---------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ------ |
| `नाम`                        | `str`      | इस चरण के लिए एक अद्वितीय पहचानकर्ता दर्ज करें..                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                     | ❌      |
| `track_activation_threshold` | `float`    | डिटेक्शनों से नए ट्रैक सक्रिय करने के लिए कॉन्फ़िडेंस थ्रेशहोल्ड। यह 0.0 और 1.0 के बीच होना चाहिए। डिफ़ॉल्ट 0.25 है। केवल इस थ्रेशहोल्ड से अधिक कॉन्फ़िडेंस वाली डिटेक्शन ही नए ट्रैक बना सकती हैं। इस थ्रेशहोल्ड को बढ़ाने से (उदाहरण: 0.3-0.5) केवल उच्च-विश्वास डिटेक्शनों से ट्रैक बनाकर ट्रैकिंग सटीकता और स्थिरता बेहतर होती है, लेकिन कम कॉन्फ़िडेंस वाली वास्तविक डिटेक्शन छूट सकती हैं। इस थ्रेशहोल्ड को घटाने से (उदाहरण: 0.15-0.2) कम कॉन्फ़िडेंस वाली डिटेक्शन स्वीकार करके ट्रैकिंग पूर्णता बढ़ती है, लेकिन गलत सकारात्मक से शोर और अस्थिरता आने का जोखिम होता है। डिटेक्शन मॉडल के प्रदर्शन के आधार पर समायोजित करें: यदि डिटेक्शन विश्वसनीय हों तो कम मान उपयोग करें, यदि गलत सकारात्मक सामान्य हों तो अधिक मान उपयोग करें..                                                                          | ✅      |
| `lost_track_buffer`          | `int`      | किसी ट्रैक के खो जाने पर (कोई मैचिंग डिटेक्शन न होने पर) उसे बनाए रखने के लिए फ्रेम्स की संख्या। यह एक धनात्मक पूर्णांक होना चाहिए। डिफ़ॉल्ट 30 फ्रेम्स है। जब कोई ऑब्जेक्ट अस्थायी रूप से गायब हो जाता है (ओक्लूज़न, छूटी हुई डिटेक्शन, या फ्रेम छोड़ने के कारण), तो ट्रैक को खोया हुआ मानने से पहले इस संख्या के फ्रेम्स तक बनाए रखा जाता है। इस मान को बढ़ाने से (उदाहरण: 50-100) ओक्लूज़न हैंडलिंग बेहतर होती है और संक्षिप्त डिटेक्शन अंतरालों के कारण होने वाले ट्रैक खंडन या गायब होने में उल्लेखनीय कमी आती है, लेकिन मेमोरी उपयोग बढ़ता है। इस मान को घटाने से (उदाहरण: 10-20) मेमोरी उपयोग कम होता है, लेकिन छोटे ओक्लूज़न के दौरान ट्रैक्स गायब हो सकते हैं। ओक्लूज़न की आवृत्ति के आधार पर समायोजित करें: बार-बार ओक्लूज़न होने पर उच्च मान, स्थिर ट्रैकिंग परिदृश्यों में कम मान उपयोग करें..           | ✅      |
| `minimum_matching_threshold` | `float`    | मौजूदा ट्रैक्स के साथ डिटेक्शनों को मिलाने के लिए IoU (Intersection over Union) थ्रेशहोल्ड। यह 0.0 और 1.0 के बीच होना चाहिए। डिफ़ॉल्ट 0.8 है। जब उनकी bounding box IoU इस थ्रेशहोल्ड से अधिक होती है, तब डिटेक्शनों को ट्रैक्स से जोड़ा जाता है। इस थ्रेशहोल्ड को बढ़ाने से (उदाहरण: 0.85-0.95) अधिक मज़बूत स्थानिक ओवरलैप की आवश्यकता रखकर ट्रैकिंग सटीकता बेहतर होती है, लेकिन जब ऑब्जेक्ट्स तेज़ी से चलते हैं या डिटेक्शन बॉक्स बदलते हैं, तब ट्रैक खंडन का जोखिम रहता है। इस थ्रेशहोल्ड को घटाने से (उदाहरण: 0.6-0.75) अधिक ढीले मिलान स्वीकार करके ट्रैकिंग पूर्णता बेहतर होती है, लेकिन गलत सकारात्मक एसोसिएशन और ट्रैक ड्रिफ्ट का जोखिम रहता है। ऑब्जेक्ट गति की गति और डिटेक्शन स्थिरता के आधार पर समायोजित करें: स्थिर ऑब्जेक्ट्स के लिए उच्च मान, तेज़ी से चलने वाले ऑब्जेक्ट्स के लिए कम मान उपयोग करें.. | ✅      |
| `minimum_consecutive_frames` | `int`      | वह न्यूनतम लगातार फ्रेम्स जिनमें किसी ऑब्जेक्ट को वैध मानकर आउटपुट करने से पहले ट्रैक किया जाना चाहिए। यह एक धनात्मक पूर्णांक होना चाहिए। डिफ़ॉल्ट 1 है (सभी ट्रैक तुरंत वैध होते हैं)। केवल वे ट्रैक्स जो कम से कम इतने लगातार फ्रेम्स तक बने रहते हैं, आउटपुट में शामिल किए जाते हैं। इस मान को बढ़ाने से (उदाहरण: 3-5) गलत डिटेक्शन या डबल डिटेक्शन से आकस्मिक ट्रैक्स बनने से बचाव होता है, और अल्पकालिक नकली ट्रैक्स फ़िल्टर हो जाते हैं, लेकिन छोटे वैध ट्रैक्स छूटने का जोखिम रहता है। इस मान को घटाने से (उदाहरण: 1) सभी ट्रैक्स तुरंत शामिल होते हैं, जिससे पूर्णता अधिकतम होती है लेकिन गलत ट्रैक्स भी शामिल हो सकते हैं। गलत सकारात्मक दर के आधार पर समायोजित करें: यदि गलत डिटेक्शन सामान्य हों तो उच्च मान, यदि डिटेक्शन विश्वसनीय हों तो कम मान उपयोग करें..                                           | ✅      |

यह **संदर्भ** कॉलम उस संभावना को चिह्नित करता है कि प्रॉपर्टी को गतिशील मानों के साथ पैरामीटराइज़ किया जा सकता है, जो उपलब्ध हैं `वर्कफ़्लो` रनटाइम में। देखें *बाइंडिंग्स* अधिक जानकारी के लिए।

### रनटाइम संगतता

`सॉफ्ट` - रनटाइम `hosted_serverless`, `dedicated_deployment`; निष्पादन `रिमोट`; इनपुट `वीडियो` : ब्लॉक प्रति-वीडियो स्थिति को प्रक्रिया मेमोरी में बनाए रखता है (video\_metadata.video\_identifier द्वारा key किया गया)। Stateless या multi-replica HTTP runtimes पर remote step execution के साथ, क्रमिक अनुरोध अलग-अलग worker processes द्वारा सर्व किए जा सकते हैं, इसलिए calls के बीच state reset हो जाता है और tracking / counting / aggregation के लिए output अर्थहीन हो जाता है। स्थिर cross-frame results के लिए InferencePipeline में local step execution का उपयोग करें।

`सॉफ्ट` - इनपुट `छवि` : ब्लॉक वीडियो या repeated-frame workflows से प्राप्त temporal context पर निर्भर करता है। एक स्थिर image/photo के साथ, ट्रैक करने, तुलना करने, एकत्रित करने या दृश्यीकृत करने के लिए कोई अर्थपूर्ण history नहीं होती, इसलिए यह ब्लॉक बहुत कम या कोई लाभ नहीं देता।

### इनपुट और आउटपुट बाइंडिंग्स

उपलब्ध कनेक्शन इसके बाइंडिंग प्रकारों पर निर्भर करते हैं। जाँचें कि कौन-से बाइंडिंग प्रकार `Byte ट्रैकर` संस्करण में `v1` हैं।

<details>

<summary>इनपुट और आउटपुट बाइंडिंग्स</summary>

* इनपुट
  * `मेटाडेटा` ([*`वीडियो_मेटाडेटा`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/video-metadata.md)): फ्रेम दर (fps) और वीडियो पहचानकर्ता जानकारी वाला वीडियो मेटाडेटा, जो ByteTrack आरंभ और ट्रैकिंग स्थिति प्रबंधन के लिए आवश्यक है। fps मान का उपयोग ट्रैकर कॉन्फ़िगर करने के लिए किया जाता है, और video\_identifier का उपयोग अलग-अलग वीडियो के लिए अलग ट्रैकिंग स्थिति बनाए रखने के लिए किया जाता है। मेटाडेटा में मान्य fps जानकारी शामिल होनी चाहिए - ByteTrack को आरंभ करने के लिए फ्रेम दर की आवश्यकता होती है। यदि एक से अधिक वीडियो प्रोसेस किए जा रहे हों, तो प्रत्येक वीडियो के metadata में एक अद्वितीय video\_identifier होना चाहिए ताकि अलग ट्रैकिंग स्थितियाँ बनाए रखी जा सकें। ब्लॉक video\_identifier का उपयोग करके प्रत्येक वीडियो के लिए फ़्रेम्स के बीच स्थायी ट्रैकर बनाए रखता है..
  * `डिटेक्शंस` (*Union\[*[*`instance_segmentation_prediction`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/instance-segmentation-prediction.md)*,* [*`object_detection_prediction`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/object-detection-prediction.md)*]*): वर्तमान वीडियो फ्रेम के लिए ट्रैक की जाने वाली डिटेक्शन प्रेडिक्शन्स (ऑब्जेक्ट डिटेक्शन या इंस्टेंस सेगमेंटेशन)। ब्लॉक इन डिटेक्शनों को मौजूदा ट्रैक्स के साथ जोड़ता है या नए ट्रैक बनाता है। सुसंगत ट्रैकिंग बनाए रखने के लिए डिटेक्शनों को प्रत्येक फ्रेम के लिए क्रम में प्रदान किया जाना चाहिए। यदि कई डिटेक्शन बैच दिए गए हों, तो उन्हें ट्रैकिंग से पहले मर्ज किया जाएगा। डिटेक्शनों में bounding boxes और class names शामिल होने चाहिए। ट्रैकिंग के बाद आउटपुट में वही डिटेक्शन track\_id जानकारी के साथ समृद्ध होकर शामिल होंगे, जिससे फ्रेम्स के बीच एक ही ऑब्जेक्ट की पहचान संभव होगी..
  * `track_activation_threshold` ([*`float_zero_to_one`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/float-zero-to-one.md)): डिटेक्शनों से नए ट्रैक सक्रिय करने के लिए कॉन्फ़िडेंस थ्रेशहोल्ड। यह 0.0 और 1.0 के बीच होना चाहिए। डिफ़ॉल्ट 0.25 है। केवल इस थ्रेशहोल्ड से अधिक कॉन्फ़िडेंस वाली डिटेक्शन ही नए ट्रैक बना सकती हैं। इस थ्रेशहोल्ड को बढ़ाने से (उदाहरण: 0.3-0.5) केवल उच्च-विश्वास डिटेक्शनों से ट्रैक बनाकर ट्रैकिंग सटीकता और स्थिरता बेहतर होती है, लेकिन कम कॉन्फ़िडेंस वाली वास्तविक डिटेक्शन छूट सकती हैं। इस थ्रेशहोल्ड को घटाने से (उदाहरण: 0.15-0.2) कम कॉन्फ़िडेंस वाली डिटेक्शन स्वीकार करके ट्रैकिंग पूर्णता बढ़ती है, लेकिन गलत सकारात्मक से शोर और अस्थिरता आने का जोखिम होता है। डिटेक्शन मॉडल के प्रदर्शन के आधार पर समायोजित करें: यदि डिटेक्शन विश्वसनीय हों तो कम मान उपयोग करें, यदि गलत सकारात्मक सामान्य हों तो अधिक मान उपयोग करें..
  * `lost_track_buffer` ([*`integer`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/integer.md)): किसी ट्रैक के खो जाने पर (कोई मैचिंग डिटेक्शन न होने पर) उसे बनाए रखने के लिए फ्रेम्स की संख्या। यह एक धनात्मक पूर्णांक होना चाहिए। डिफ़ॉल्ट 30 फ्रेम्स है। जब कोई ऑब्जेक्ट अस्थायी रूप से गायब हो जाता है (ओक्लूज़न, छूटी हुई डिटेक्शन, या फ्रेम छोड़ने के कारण), तो ट्रैक को खोया हुआ मानने से पहले इस संख्या के फ्रेम्स तक बनाए रखा जाता है। इस मान को बढ़ाने से (उदाहरण: 50-100) ओक्लूज़न हैंडलिंग बेहतर होती है और संक्षिप्त डिटेक्शन अंतरालों के कारण होने वाले ट्रैक खंडन या गायब होने में उल्लेखनीय कमी आती है, लेकिन मेमोरी उपयोग बढ़ता है। इस मान को घटाने से (उदाहरण: 10-20) मेमोरी उपयोग कम होता है, लेकिन छोटे ओक्लूज़न के दौरान ट्रैक्स गायब हो सकते हैं। ओक्लूज़न की आवृत्ति के आधार पर समायोजित करें: बार-बार ओक्लूज़न होने पर उच्च मान, स्थिर ट्रैकिंग परिदृश्यों में कम मान उपयोग करें..
  * `minimum_matching_threshold` ([*`float_zero_to_one`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/float-zero-to-one.md)): मौजूदा ट्रैक्स के साथ डिटेक्शनों को मिलाने के लिए IoU (Intersection over Union) थ्रेशहोल्ड। यह 0.0 और 1.0 के बीच होना चाहिए। डिफ़ॉल्ट 0.8 है। जब उनकी bounding box IoU इस थ्रेशहोल्ड से अधिक होती है, तब डिटेक्शनों को ट्रैक्स से जोड़ा जाता है। इस थ्रेशहोल्ड को बढ़ाने से (उदाहरण: 0.85-0.95) अधिक मज़बूत स्थानिक ओवरलैप की आवश्यकता रखकर ट्रैकिंग सटीकता बेहतर होती है, लेकिन जब ऑब्जेक्ट्स तेज़ी से चलते हैं या डिटेक्शन बॉक्स बदलते हैं, तब ट्रैक खंडन का जोखिम रहता है। इस थ्रेशहोल्ड को घटाने से (उदाहरण: 0.6-0.75) अधिक ढीले मिलान स्वीकार करके ट्रैकिंग पूर्णता बेहतर होती है, लेकिन गलत सकारात्मक एसोसिएशन और ट्रैक ड्रिफ्ट का जोखिम रहता है। ऑब्जेक्ट गति की गति और डिटेक्शन स्थिरता के आधार पर समायोजित करें: स्थिर ऑब्जेक्ट्स के लिए उच्च मान, तेज़ी से चलने वाले ऑब्जेक्ट्स के लिए कम मान उपयोग करें..
  * `minimum_consecutive_frames` ([*`integer`*](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/integer.md)): वह न्यूनतम लगातार फ्रेम्स जिनमें किसी ऑब्जेक्ट को वैध मानकर आउटपुट करने से पहले ट्रैक किया जाना चाहिए। यह एक धनात्मक पूर्णांक होना चाहिए। डिफ़ॉल्ट 1 है (सभी ट्रैक तुरंत वैध होते हैं)। केवल वे ट्रैक्स जो कम से कम इतने लगातार फ्रेम्स तक बने रहते हैं, आउटपुट में शामिल किए जाते हैं। इस मान को बढ़ाने से (उदाहरण: 3-5) गलत डिटेक्शन या डबल डिटेक्शन से आकस्मिक ट्रैक्स बनने से बचाव होता है, और अल्पकालिक नकली ट्रैक्स फ़िल्टर हो जाते हैं, लेकिन छोटे वैध ट्रैक्स छूटने का जोखिम रहता है। इस मान को घटाने से (उदाहरण: 1) सभी ट्रैक्स तुरंत शामिल होते हैं, जिससे पूर्णता अधिकतम होती है लेकिन गलत ट्रैक्स भी शामिल हो सकते हैं। गलत सकारात्मक दर के आधार पर समायोजित करें: यदि गलत डिटेक्शन सामान्य हों तो उच्च मान, यदि डिटेक्शन विश्वसनीय हों तो कम मान उपयोग करें..
* आउटपुट
  * `tracked_detections` ([`object_detection_prediction`](https://docs.roboflow.com/workflows/hi/developer-guide/developer-guide/kinds/object-detection-prediction.md)): sv.Detections(...) ऑब्जेक्ट के रूप में डिटेक्ट किए गए बाउंडिंग बॉक्स वाली प्रेडिक्शन।

</details>

<details>

<summary>उदाहरण JSON परिभाषा</summary>

```json
{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/byte_tracker@v1",
	    "metadata": "<block_does_not_provide_example>",
	    "detections": "$steps.object_detection_model.predictions",
	    "track_activation_threshold": 0.25,
	    "lost_track_buffer": 30,
	    "minimum_matching_threshold": 0.8,
	    "minimum_consecutive_frames": 1
	}
```

</details>
