Hybrid-SORT起飞 | 超过DeepSORT将近10个点的多目标跟踪香不香？-六虎

前语多方针盯梢（MOT）旨在在帧间检测和相关一切所需的方针。大多数办法经过清晰或隐式地运用强壮的头绪（即空间和外观信息）来完成使命，这些头绪体现出强壮的实例等级判别才能。可是，当呈现方针遮挡和聚类时，因为方针之间的高度堆叠，空间和外观信息一起变得含糊不清。**在本文中，作者证明MOT中这个长时刻以来的应战能够经过引进弱头绪来有用地处理，以补偿强头绪的缺乏。作者引进了「速度方向」、「置信状况」和「高度状况」作为潜在的「弱头绪」。**在功用方面体现优胜的一起，作者的办法仍坚持了简略、在线和实时（SORT）的特性。

本文转载自集智书童

仅用于学术共享，若侵权请联络删去

欢迎关注大众号CV技能攻略，专注于核算机视觉的技能总结、最新技能盯梢、经典论文解读、CV招聘信息。

CV各大方向专栏与各个布置框架最全教程整理

【CV技能攻略】CV全栈辅导班、根底入门班、论文辅导班全面上线!!

Hybrid-SORT起飞 | 超过DeepSORT将近10个点的多目标跟踪香不香？

代码和模型：github.com/ymzis69/Hyb…

1、简介

最近，根据检测的多方针盯梢已经成为多方针盯梢（MOT）中最受欢迎的范例，将问题分为两个子使命：

榜首个使命是在每一帧中检测方针
第二个使命是在不同的帧之间相关这些方针

相关使命首要经过清晰或隐式地运用强头绪来处理，包含空间和外观信息。这种规划是合理的，因为这些强头绪为每个方针供给了强壮的实例等级判别才能（即大局判别）。可是，常用的强头绪在应战性状况下（例如遮挡和聚类）下会呈现退化（图1中的ID 1和2）。

详细而言，当两个方针在当时帧中高度堆叠时，检测和估量的轨道方位之间的交并比（IoU）变得含糊不清，而两个方针的外观特征被远景方针所主导（图1右上角的红色虚线箭头）。

在图1的右下角部分，作者展现了弱头绪（例如置信度状况、高度状况和速度方向）怎么有用地缓解强头绪变得不可靠的含糊相关。可是，据作者所知，除了极少数办法（例如OC-SORT，MT-IOT），大多数办法都忽视了弱头绪，因为它们只在某些方针之间具有可靠的判别才能。如图1所示，置信度状况只在ID 2和其他ID之间具有判别性。

在本文中，作者挑选置信度状况和高度状况作为潜在的弱头绪类型，除了OC-SORT中运用的速度方向。置信度状况能够清晰地指示聚类方针之间的遮挡/被遮挡（远景/布景）联系，供给了强头绪（即空间和外观信息）所缺乏的要害头绪。高度状况是方针的一个安稳属性，一般对不同的方针姿势具有稳健性，并且包含必定程度的深度信息（即反映了相机到方针的距离）。

为了坚持简略、在线和实时（SORT）的才能，作者提出了简略而有用的战略来运用上述弱头绪，并在相关步骤中加以运用，即“Tracklet Confidence Modeling”（TCM）和“Height Modulated IoU”（HMIoU）。这两种建模都由两部分组成：状况估量和本钱核算。

在状况估量中，作者运用卡尔曼滤波器和线性猜测来依据轨道的前史置信度状况估量轨道的置信度状况，然后将其用作与高置信度和低置信度检测进行相关的衡量。关于高度状况，作者也运用卡尔曼滤波器进行估量。在相关的本钱核算中，置信度本钱矩阵是估量的轨道置信度与检测置信度之间的肯定差异。高度本钱矩阵首要被界说为估量轨道框和检测框之间沿高度轴的IoU，然后与由空间信息生成的IoU矩阵融合。

为了评估作者规划的泛化才能，作者将提出的建模办法运用于5个不同的代表性追寻器，包含SORT、DeepSORT、MOTDT、ByteTrack和OC-SORT。作者对置信度状况和高度状况的两种规划都继续地完成了明显的改善，证明了在相关使命中弱头绪的重要性。

例如，经过将Tracklet Confidence Modeling（TCM）运用于DeepSORT，HOTA在DanceTrack验证集上添加了4.9，在MOT17验证集上添加了0.9。经过将Height Modulated IoU（HMIoU）运用于SORT，HOTA在DanceTrack验证集上添加了1.6，在MOT17验证集上添加了1.0。

此外，为了推进Simple，Online和Real-Time（SORT）多方针盯梢办法的最新功用，作者将当时最先进的SORT-like算法OCSORT进行了修正，作为作者的强基准。

首要，作者经过将观察中心动量（OCM）的框中心扩展为4个框角点和固定时刻距离扩展为多个时刻距离，来修正OC-SORT中的速度方向建模。
其次，作者在ByteTrack之后，对低置信度检测进行了额定的相关阶段。

结合提出的TCM和HMIoU，Hybrid-SORT在一切DanceTrack、MOT17和MOT20基准测验上经过运用强弱头绪完成了优胜的功用，一起仍坚持Simple，Online和Real-Time（SORT）特性。

作者希望Hybrid-SORT的泛化才能、即插即用和无需练习的特点使其在各种实在国际场景和边缘设备中具有吸引力。作者的奉献能够总结如下：

证明了引进弱头绪（即置信度状况、高度状况和速度方向）能够明显减轻遮挡和聚类等长时刻存在的应战，作为对常用强头绪的补偿。
引进简略的Tracklet Confidence Modeling（TCM）和Height Modulated IoU（HMIoU）来对置信度状况和高度状况进行建模和运用。经过精密的建模，弱头绪能够有用地、高效地缓解由强头绪发生的含糊匹配，而附加核算量可忽略不计。
这种即插即用和无需练习的规划在不同的场景和追寻器上都具有良好的泛化才能。作者在5个代表性追寻器上完成了作者的规划，完成了一致且明显的改善。终究，作者的办法Hybrid-SORT在DanceTrack、MOT17和MOT20基准测验中取得了优胜的功用。

2、相关作业

2.1、启发式匹配器

1、根据空间的启发式匹配器

空间信息是高FPS基准测验中最广泛运用的强头绪。当帧之间的时刻距离很短时，方针的移动也很小，能够视为线性移动。这使得空间信息在短期相关中成为准确的衡量规范。先驱性的作业SORT运用卡尔曼滤波器来猜测轨道的空间方位，并根据IoU衡量将它们与检测框进行相关。

随后的作业，如CenterTrack、ByteTrack和OC-SORT，都是运用空间信息进行启发式匹配的办法，用来将轨道与检测框进行匹配。可是，即便是最先进的办法OC-SORT，在遮挡和聚类方面依然存在困难。

2、根据外观的启发式匹配器

与空间信息不同，外观信息在整个视频中具有相对安稳的一致性，因而有利于长时刻相关。DeepSORT在SORT的根底上，引进了一个独立的ReID模型来提取外观特征进行相关。

随后的作业JDE、FairMOT、CSTrack和QDTrack将检测和ReID模型进行了联合练习，并规划了改善的网络架构来进步功用。可是，作者观察到在聚类的方针中，不管是否为外观信息或空间信息，都存在严峻的判别性退化，即便为了联合运用这两种信息，规划了精密的网络架构和相关战略。

2.2、可学习匹配器

1、根据图的可学习匹配器

根据图的可学习匹配器将相关使命构建为一个边分类使命，其间边标签为1表明轨道节点和具有相同ID的检测节点，反之亦然。MOTSolv和GMTracker根据图神经网络（GNN）进行数据相关，并使得相关步骤可微分。

最近，SUSHI运用图模型将短轨道层级衔接成长轨道，在离线办法下进行。可是，根据图的匹配器的首要限制是练习和揣度流程一般很杂乱甚至是离线的，这限制了它们在对实时性要求严格的在线盯梢场景（如自动驾驶）中的实践运用。

2、根据Transformer的可学习匹配器

自从Transformer在视觉使命中变得流行，许多作业都提出运用其强壮的留意力机制来对相关使命进行建模。TrackFormer和MOTR一起运用轨道查询和规范检测查询来执行轨道传达和初始化。

最近，MOTRv2在MOTR的根底上引进了一个独立的检测器，企图处理检测和相关之间的冲突。可是，根据Transformer的匹配器触及很多的自留意/穿插留意操作，阻止算法完成实时才能。

3、本文办法

3.1、弱头绪建模

在本节中，作者首要介绍两种新引进的弱头绪（即置信度状况和高度状况）的建模战略，即轨道置信度建模（TCM）和高度调理IoU（HMIoU），这两种办法都是可插拔和无需练习的。

3.2、轨道置信度建模

作者证明了之前被忽视的置信度状况在处理严峻遮挡和聚类时是有用的信息，能够补偿强头绪的含糊性。从高层次的视点来看，轨道在每个时刻步的状况应该是连续改变的，这是常识和要害辅导原则。作为检测器供给的状况之一，同一轨道的置信度状况也应该体现出时刻上的连续性。可是，因为置信度状况无法区别一切方针（即只对某些方针的置信度是不同的），它被现有办法忽视了。

置信度状况对相关的帮助原因很简略。详细来说，当常用的强头绪（即空间和外观信息）在多个方针高度堆叠时失效时，方针的置信度供给了清晰的远景/布景（即遮挡/被遮挡）联系，这正是强头绪所缺乏的。这是因为检测无遮挡的方针往往会得到较高的置信度分数，而遮挡的方针对检测提出更大的应战，导致较低的置信度分数。

根据这个洞察力，作者引进了两种轨道置信度的建模办法，用于与**「高置信度」和「低置信度」**的检测进行相关。当方针无遮挡或只要轻微遮挡时，卡尔曼滤波器是一种抱负的模型，用于建模和估量在一个小规模内改变的连续状况。

因而，作者在SORT中广泛运用的规范卡尔曼滤波器中加入了两个附加状况：轨道置信度及其速度重量。为了更清晰，首要回顾SORT中规范卡尔曼滤波器的状况，如公式1所示。其间，和表明方针的中心，而和表明方针框的标准（面积）和长宽比。

经过引进两个新的状况和，TCM中的卡尔曼滤波器的完整状况如公式2所示。

关于第二步相关中的低置信度检测，作者运用线性猜测来估量轨道置信度。ByteTrack已经证明，低置信度一般对应严峻的遮挡和聚类状况。在遮挡开端或结束时，方针的置信度会敏捷添加或减少。可是，当卡尔曼滤波器企图估量置信度状况的忽然改变时，会呈现明显的滞后，如图3所示。

可是，作者观察到在这个短时刻内，置信度状况的改变趋势呈现明显的方向性（即继续添加或减少）。因而，作者运用根据轨道前史的简略线性猜测来处理这个问题。线性建模的公式如公式3所示，其间表明保存在轨道记忆中的轨道置信度。

不管运用卡尔曼滤波器仍是线性猜测，置信度本钱都经过公式4核算，即估量的轨道置信度与检测置信度之间的肯定差。

3.3、高度调理IoU

识别方针的时刻安稳性是多方针盯梢(MOT)中最要害的方面之一。除了置信度状况外，高度状况也供给了有用的弱头绪，有助于补偿强头绪的区分才能。

详细来说，高度状况在两个方面增强了相关:

首要，方针的高度在必定程度上反映了深度信息。关于像DanceTrack这样的数据集，检测框的高度首要取决于方针与摄像机之间的距离。这使得高度状况成为区别高度堆叠方针的有用头绪。
其次，高度状况相关于多样的姿势较为安稳，使其成为准确估量的状况和方针的高质量表明。

「为什么不挑选方针的宽度作为状况？」

原因是图像中方针框的宽度往往因为姿势改变或肢体动作而不规则改变，在DanceTrack数据会集尤为严峻，如图5所示。状况的高度改变一般仅发生在方针蹲下或站起时，这是一个相对短暂时连续的进程，能够经过卡尔曼滤波器有用地建模。

高度状况的运用在图4中以可视化办法呈现。具

一起，作者界说两个框的面积别离为A和B。传统IoU的核算如公式5和图4 (a) 所示，它根据面积衡量。进一步地，能够经过运用高度衡量来核算高度IoU（HIoU），如公式6和图4 (b) 所示。

为了更好地运用高度状况，作者引进高度调理IoU（HMIoU），经过将高度IoU（HIoU）与传统IoU组合，如公式7和图4 (c) 所示。考虑到HIoU代表高度状况，即弱头绪，而IoU代表空间信息，即强头绪，作者运用HIoU经过逐元素乘法来调理IoU，然后增强了对遮挡或聚类方针的区分才能。

3.4、Hybrid-SORT

在本节中，作者介绍Hybrid-SORT和Hybrid-SORT-ReID。关于Hybrid-SORT，作者将Tracklet Confidence Modeling (TCM)和Height Modulated IoU (HMIoU)的技能与增强版别的OC-SORT结合在一起，对OC-SORT进行了两方面的修正。

首要，作者将Observation-Centric Momentum (OCM)替换为Robust OCM，以更稳健地建模速度方向。
其次，作者依照ByteTrack的办法，将低置信度检测加入到相关进程中。关于Hybrid-SORT-ReID，作者加入了一个独立的ReID模型来增强盯梢功用。

3.5、Robust OCM

在OC-SORT中，Observation-Centric Momentum (OCM)考虑了相关中方针中心的速度方向。OCM运用的本钱衡量是轨道速度方向与轨道到检测的速度方向之间的肯定差值，以弧度表明，表明为。轨道速度方向是经过轨道中两个框的中心在时刻距离内取得的，轨道到检测的速度方向是经过轨道前史框的中心和新检测框的中心取得的。

给定两个点和，速度方向核算公式如公式8所示。可是，原始OCM的建模关于因为固定时刻距离和稀疏状况（即仅有方针中心）引起的噪声是软弱的。

在本节中，作者经过引进更详细和稳健的建模来增强OCM，以供给更全面准确的方针速度方向表明。作者的修正包含两个方面:

首要，作者将固定的3帧时刻距离扩展为多个时刻距离的堆叠，规模从1到3。
其次，作者运用方针的4个角而不是中心点来核算速度方向。

如图6所示，关于一个轨道和它正确匹配的检测来说，因为姿势忽然改变，轨道和轨道到检测中心的速度方向可能彻底相反，导致过错匹配。经过将中心扩展到4个角，轨道和轨道到检测中心的2个左角的速度方向坚持高相似性，然后发生正确匹配。这进一步证明了运用4个角核算OCM的更高稳健性。经过多个时刻距离，Robust OCM的核算公式如公式9所示。

3.6、外观建模

作者运用独立的ReID模型来整合外观信息，如图1所示。依照BoT-SORT的办法，作者的流程首要检测方针，然后将成果裁剪的补丁送入ReID模型。作者运用指数移动平均（EMA）来建模轨道的外观信息，并运用余弦距离作为核算轨道外观特征与检测外观特征相似性的衡量。需要留意的是，ReID组件不是作者论文的重点。

3.7、算法框架

4、试验

4.1、DanceTrack数据集

与以前的最先进的启发式盯梢器OC-SORT相比，Hybrid-SORT在一切方针上体现出明显优胜性（即7.6 HOTA、8.4 IDF1和2.0 MOTA），并为启发式盯梢器设置了新的HOTA最先进记载，达到62.2，而相关输入相同且核算杂乱度简直相同（参见表1）。成果供给了有力的证据，即引进和建模多种类型的弱头绪，如置信度状况和高度状况，能够有用且高效地处理强头绪失败时呈现的含糊和过错匹配。

此外，经过独立的ReID模型，Hybrid-SORT-ReID在启发式盯梢器的DanceTrack数据集上完成了更高的HOTA最先进记载，达到65.7。关于体现更高的可学习匹配器盯梢器，MOTRv2也是根据YOLOX检测器，可是运用改善的Deformable DETR作为匹配器，其包含6层Transformer编码器和6层Transformer解码器，而SUSHI则运用GNN作为匹配器，并具有彻底离线的流程。

4.2、MOT20数据集

值得留意的是，Hybrid-SORT在MOT20测验集（如表2所示）中完成了卓越的功用，并具有高揣度速度。

详细而言，Hybrid-SORT在一切方针上均优于OC-SORT（即0.4 HOTA、0.3 IDF1和0.9 MOTA），而附加核算简直无法区别。经过运用独立的ReID模型，Hybrid-SORT在启发式盯梢器的MOT20数据集上完成了HOTA 63.9的最先进功用。成果表明了所提出办法在建模弱头绪用于密布方针的聚类和严峻遮挡状况下的有用性、稳健性和泛化才能。

4.3、MOT17数据集

在表3中展现了Hybrid-SORT在MOT17数据集上的功用。详细来说，Hybrid-SORT在一切方针（即HOTA、IDF1和MOTA）上均超过了之前的最先进的盯梢器OC-SORT，而且额定的核算量简直能够忽略不计。

经过引进独立的ReID模型，Hybrid-SORT进一步进步了功用，在MOT17上达到了64.0的高HOTA。这些成果表明了对弱头绪的建模具有很好的泛化性，即便在具有首要线性运动方式的简略场景中，这些方式相关于现有办法来说已经很好地处理了。

值得留意的是，本文的办法首要是为了应对对象聚类和杂乱运动方式带来的应战。尽管如此，即便运用于MOT17数据集，该数据集代表了更遍及的线性运动方式场景，本文的办法依然展现出了继续改善的盯梢功用。

4.4、融化试验

1、组件奉献

作者进行了融化研讨，以评估在DanceTrack和MOT17验证集上所提出组件的奉献，如表4所示。成果表明了在Hybrid-SORT中提出模块的有用性。由TCM建模的置信度状况明显进步了两个数据集上的功用，DanceTrack上别离提升了4.0 HOTA、5.3 IDF1和0.5 MOTA，MOT17上别离提升了0.4 HOTA、0.8 IDF1和0.7 MOTA。

同样地，HMIoU的运用别离使得DanceTrack的HOTA进步了1.6，MOT17的HOTA进步了0.3。作者以为在MOT17的大多数视频中，运动方式是线性的。相反，DanceTrack触及更杂乱的运动和更严峻的聚类状况，Hybrid-SORT的优胜性得到了清晰的证明。

这些成果表明，弱头绪，如置信度状况和高度状况，在各种场景下能够有用地补偿常用的强头绪的缺乏，即便它们只能区别某些方针（即局部判别）。

2、组件效率

如表4所示，HybridSORT在一切提出的组件中依然坚持实时功用。为了建立一个强壮的Baseline，作者将ByteTrack中的低置信度检测（BYTE）和OC-SORT中的Robust OCM用于改善。引进BYTE对推理速度简直没有影响（-0.2 FPS），而Robust OCM导致了1.5 FPS的降低。这种现象能够归因于将速度方向从1个单点（即中心）过渡到4个点（即角点），并且具有不同的时刻距离规模（从1-3帧）的进程。至于本文的两个首要奉献，TCM对推理速度简直没有影响（-0.7 FPS），而HMIoU简直不影响推理速度（-0.1 FPS）。一切以上成果表明了Hybrid-SORT的高效性。

经过运用BoT-SORT中常用的ReID模型进行公平比较，Hybrid-SORT-ReID的推理速度接近实时。首要原因是特征提取的别离和ReID模型的高维特征。可是，将ReID模型高效地纳入MOT框架超出了本文的规模。

3、TCM中的建模战略

如前所述，作者运用Kalman Filter来估量榜首相关阶段的高置信度检测的轨道置信度，而运用Linear Prediction来处理第二相关阶段的低置信度检测。

在表5中，作者研讨了这两种置信度状况建模办法在DanceTrack验证集上的功用。在榜首相关阶段中，运用Kalman Filter明显进步了2.9 HOTA的相关功用，而Linear Prediction降低了1.1 HOTA。作者将这一成果归因于高置信度检测一般不会遭到严峻的遮挡。

因而，轨道置信度在一个小规模内改变，这能够有用地经过Kalman Filter建模。另一方面，Linear Prediction失败是因为置信度改变没有明显的方向性趋势。在第二相关阶段中，关于低置信度检测，Kalman Filter和Linear Prediction体现良好（别离为0.7和1.1 HOTA），后者体现略优。

正如在ByteTrack中评论的那样，第二阶段相关发生在方针严峻聚类的状况下。因而，置信度能够在聚类开端或结束时敏捷下降或添加。Kalman Filter无法对这样的忽然改变进行建模，因而其估量一般落后于实践置信度。可是，Linear Prediction能够很好地对方向改变进行建模。总的来说，Kalman Filter关于没有或轻微遮挡的方针具有满足的估量才能，而Linear Prediction更适合于严峻遮挡的方针。

4、高度状况优于宽度状况

如上所述，高度状况而不是宽度状况能够有助于相关。类似于图4和公式7中展现的高度调制IoU（HMIoU），能够经过将根据面积衡量的规范IoU与根据宽度衡量的宽度IoU（WIoU）融合来取得根据宽度衡量的宽度调制IoU（WMIoU）。

如表6所示，宽度状况对相关功用发生了明显的负面影响，而高度状况对相关功用有利。总的来说，规律性改变的状况能够很好地进行建模然后有利于相关，而不规则的状况很难准确估量然后对相关造成伤害。

5、Robust OCM的方式

表7展现了不管是否运用BYTE相关，不管是运用1-3帧距离获取的堆叠速度方向仍是运用4个角点而不是中心点，都能够在DanceTrack验证集上进步HOTA。这些成果表明，引进更详细和更稳健的建模办法能够进步相关功用。

6、在其他盯梢器上的遍及性

作者将作者的规划运用于其他4个代表性的启发式盯梢器，即SORT，DeepSORT，MOTDT和ByteTrack。在这些盯梢器中，SORT和ByteTrack仅依赖于空间信息，而MOTDT和DeepSORT一起运用空间信息和外观信息。

成果如表8和表9所示，能够看到在DanceTrack和MOT17数据会集，对一切前述盯梢器都有明显改善。例如，作者的规划TCM将DeepSORT在DanceTrack上的HOTA进步了4.9，在MOT17上进步了0.9，而作者的HMIoU将SORT在DanceTrack上的HOTA进步了1.6，在MOT17上进步了1.0。

这些成果有力地证明了作者引进置信度状况和高度状况等弱头绪作为强头绪的补充的想法是有用的，并且在不同的盯梢器和场景中具有良好的泛化性。此外，作者的办法能够直接运用于现有的盯梢器，以增强功用，而无需进行额定的练习。

5、参阅

[1].Hybrid-SORT: Weak Cues Matter for Online Multi-Object Tracking.

欢迎关注大众号CV技能攻略，专注于核算机视觉的技能总结、最新技能盯梢、经典论文解读、CV招聘信息。

核算机视觉入门1v3辅导班

【技能文档】《从零建立pytorch模型教程》122页PDF下载

QQ沟通群：470899183。群内有大佬负责回答大家的日常学习、科研、代码问题。

其它文章

CV的未来发展方向？平时最喜欢逛的几个地方

练习网络loss呈现Nan处理办法

比Meta「分割一切AI」更全能！港科大版图像分割AI来了：完成更强粒度和语义功用

Segment Anything项目整理汇总

Meta Segment Anything会让CV没前途吗?

CVPR’2023年AQTC应战赛榜首名处理方案：以功用-交互为中心的时空视觉语言对齐办法

6万字！30个方向130篇 | CVPR 2023 最全 AIGC 论文汇总

知识蒸馏最新进展

ICCV2023 ｜当标准感知调制遇上Transformer，会碰撞出怎样的火花？

CVPR 2023 | 彻底无监督的视频物体分割 RCF

新加坡国立大学提出最新优化器：CAME，大模型练习本钱降低近一半！

SegNetr来啦 | 超越UNeXit/U-Net/U-Net++/SegNet，精度更高模型更小的UNet家族

ReID专栏（二）多标准规划与运用

ReID专栏（一）使命与数据集概述

libtorch教程（三）简略模型建立

libtorch教程（二）张量的常规操作

libtorch教程（一）开发环境建立：VS+libtorch和Qt+libtorch

NeRF与三维重建专栏（三）nerf_pl源码部分解读与colmap、cuda算子运用

NeRF与三维重建专栏（二）NeRF原文解读与体渲染物理模型

NeRF与三维重建专栏（一）领域布景、难点与数据集介绍

反常检测专栏（三）传统的反常检测算法——上

反常检测专栏（二）：评价方针及常用数据集

反常检测专栏（一）反常检测概述

BEV专栏（二）从BEVFormer看BEV流程（下篇）

BEV专栏（一）从BEVFormer深化探究BEV流程（上篇）

可见光遥感图像方针检测（三）文字场景检测之Arbitrary

可见光遥感方针检测（二）首要难点与研讨办法概述

可见光遥感方针检测（一）使命概要介绍

TensorRT教程（三）TensorRT的装置教程

TensorRT教程（二）TensorRT进阶介绍

TensorRT教程（一）初次介绍TensorRT

AI最全材料汇总 | 根底入门、技能前沿、工业运用、布置框架、实战教程学习