mmdetection
v3.3.0
الوثائق | التثبيت | ؟ نموذج حديقة الحيوان | ؟ تحديث الأخبار | مشاريع مستمرة | ؟ القضايا الإبلاغ
الإنجليزية | 简体中文
MMDetection هو صندوق أدوات للكشف عن كائن مفتوح المصدر يعتمد على pytorch. إنه جزء من مشروع OpenMMLAB.
يعمل الفرع الرئيسي مع Pytorch 1.8+ .
تصميم وحدات
نتحلل إطار الكشف إلى مكونات مختلفة ويمكن للمرء بسهولة إنشاء إطار عمل مخصص للكشف عن الكائنات عن طريق الجمع بين الوحدات المختلفة.
دعم مهام متعددة خارج الصندوق
يدعم مربع الأدوات مباشرة مهام الكشف المتعددة مثل اكتشاف الكائنات ، تجزئة المثيل ، تجزئة panoptic ، والكشف عن الكائنات شبه الخاضعة للإشراف .
كفاءة عالية
جميع عمليات Bbox والقناع الأساسية تعمل على وحدات معالجة الرسومات. تكون سرعة التدريب أسرع من أو مقارنة بأبواب الكود الأخرى ، بما في ذلك Detectron2 و Maskrcnn-Benchmark و Simpledet.
مثال رائع من الفن
ينبع صندوق الأدوات من قاعدة كود التي طورها فريق MMDET ، الذي فاز بتحدي الكشف عن كوكو في عام 2018 ، ونحن نستمر في دفعه إلى الأمام. تحصل RTMDET التي تم إصدارها حديثًا أيضًا على نتائج جديدة على أحدث طراز على تجزئة مثيل في الوقت الفعلي ومهام الكشف عن الكائنات المدورة وأفضل مقايضة معلمة معلمة على اكتشاف الكائنات.
بصرف النظر عن MMDetection ، أصدرنا أيضًا MMENGINE للتدريب النموذجي و MMCV لأبحاث رؤية الكمبيوتر ، والتي تعتمد بشكل كبير على صندوق الأدوات هذا.
؟ لقد أصدرنا الأوزان التي تم تدريبها مسبقًا لـ MM-Grounding-Dino Swin-B و Swin-L ، مرحبًا بك في محاولة تقديم ملاحظات.
تم إصدار V3.3.0 في 5/1/2024:
MM-Grounding-Dino: خط أنابيب مفتوح وشامل لتأسيس واكتشاف الكائنات الموحدة
Grounding Dino هو نموذج مسبق للتدريب يوحد الكشف عن كائنات المفردات المفتوحة ثنائية الأبعاد وعباراته ، مع تطبيقات واسعة. ومع ذلك ، فإن جزء التدريب لم يكن مفتوحا. لذلك ، نقترح MM-Grounding-Dino ، والذي لا يعمل فقط كإصدار متكرر مفتوح المصدر من Grounding Dino ، ولكنه يحقق أيضًا تحسينًا كبيرًا للأداء استنادًا إلى أنواع البيانات المعاد بناؤها ، واستكشاف مجموعات البيانات المختلفة واستراتيجيات التهيئة. علاوة على ذلك ، نقوم بإجراء تقييمات من أبعاد متعددة ، بما في ذلك OOD ، REC ، تأريض العبارات ، OVD ، وضبطها ، لحفر مزايا وعيوب التأريض قبل التدريب ، على أمل توفير الإلهام للعمل المستقبلي.
الكود: mm_grounding_dino/readMe.MD
نحن متحمسون للإعلان عن عملنا الأخير في مهام التعرف على الأشياء في الوقت الفعلي ، RTMDET ، وهي عائلة من أجهزة الكشف عن مرحلة واحدة تلافيفية بالكامل. لا يحقق RTMDET أفضل مقايضة معلمة معلمة على الكشف عن الكائنات من أحجام النماذج الصغيرة إلى النماذج ، بل تحصل أيضًا على أداء جديد على أحدث حالة على تجزئة المثيل ومهام الكشف عن الكائنات المدورة. يمكن العثور على التفاصيل في التقرير الفني. النماذج المدربة قبل التدريب هنا.
| مهمة | مجموعة البيانات | AP | FPS (TRT FP16 BS1 3090) |
|---|---|---|---|
| الكشف عن الكائن | كوكو | 52.8 | 322 |
| تجزئة مثيل | كوكو | 44.6 | 188 |
| الكشف عن الكائنات المدورة | دوتا | 78.9 (على نطاق واحد) /81.3 (متعدد النطاق) | 121 |
يرجى الرجوع إلى التثبيت للحصول على تعليمات التثبيت.
يرجى الاطلاع على نظرة عامة على المقدمة العامة ل MMDetection.
للحصول على أدلة المستخدم التفصيلية والأدلة المتقدمة ، يرجى الرجوع إلى وثائقنا:
أدلة المستخدم
أدلة متقدمة
نحن نقدم أيضًا تعليميًا للكشف عن الكائنات كولاب وتجزئة مثيل كولاب.
للترحيل من MMDetection 2.x ، يرجى الرجوع إلى الترحيل.
النتائج والنماذج متوفرة في حديقة الحيوان النموذجية.
| الكشف عن الكائن | تجزئة مثيل | تجزئة panoptic | آخر |
|
|
|
|
| العمود الفقري | رقاب | خسارة | شائع |
|
|
|
|
يتم دعم بعض الأساليب الأخرى أيضًا في المشاريع باستخدام MMDETECELL.
يرجى الرجوع إلى الأسئلة الشائعة للأسئلة التي يتم طرحها بشكل متكرر.
نحن نقدر جميع المساهمات لتحسين MMDECENSE. يمكن العثور على المشاريع المستمرة في مشاريع GitHub. نرحب بمستخدمي المجتمع للمشاركة في هذه المشاريع. يرجى الرجوع إلى المساهمة. md للحصول على المبدأ التوجيهي المساهمة.
MMDetection هو مشروع مفتوح المصدر الذي يساهم به الباحثون والمهندسون من مختلف الكليات والشركات. نحن نقدر جميع المساهمين الذين يقومون بتنفيذ أساليبهم أو يضيفون ميزات جديدة ، وكذلك المستخدمين الذين يقدمون تعليقات قيمة. نتمنى أن يخدم صندوق الأدوات والمعيار مجتمع الأبحاث المتنامي من خلال توفير مجموعة أدوات مرنة لإعادة تنفيذ الأساليب الحالية وتطوير أجهزة الكشف الجديدة الخاصة بهم.
إذا كنت تستخدم صندوق الأدوات هذا أو المعيار في بحثك ، فيرجى الاستشهاد بهذا المشروع.
@article{mmdetection,
title = {{MMDetection}: Open MMLab Detection Toolbox and Benchmark},
author = {Chen, Kai and Wang, Jiaqi and Pang, Jiangmiao and Cao, Yuhang and
Xiong, Yu and Li, Xiaoxiao and Sun, Shuyang and Feng, Wansen and
Liu, Ziwei and Xu, Jiarui and Zhang, Zheng and Cheng, Dazhi and
Zhu, Chenchen and Cheng, Tianheng and Zhao, Qijie and Li, Buyu and
Lu, Xin and Zhu, Rui and Wu, Yue and Dai, Jifeng and Wang, Jingdong
and Shi, Jianping and Ouyang, Wanli and Loy, Chen Change and Lin, Dahua},
journal= {arXiv preprint arXiv:1906.07155},
year={2019}
}
يتم إصدار هذا المشروع بموجب ترخيص Apache 2.0.
