STEP 全称 The Segmenting and Tracking Every Pixel benchmark， 包括 21 个训练序列和 29 个测试序列。该数据集基于 KITTI Tracking Evaluation 和 Multi-Object Tracking and Segmentation (MOTS) 基准。

该数据集为每个像素添加了密集的像素分割标记。在这个基准中，每个像素都有一个语义标签，所有属于最显著对象类别（汽车和行人）的像素都有一个唯一的跟踪 ID 。