mmdetection
v3.3.0
Documentation | Installation | ? Modèle Zoo | ? Mettre à jour les nouvelles | Projets en cours | ? Reporter des problèmes
Anglais | 简体中文
MMDection est une boîte à outils de détection d'objets open source basée sur Pytorch. Cela fait partie du projet OpenMMLAB.
La branche principale fonctionne avec Pytorch 1.8+ .
Conception modulaire
Nous décomposons le cadre de détection en différents composants et on peut facilement construire un cadre de détection d'objets personnalisé en combinant différents modules.
Prise en charge de plusieurs tâches hors de la boîte
La boîte à outils prend directement en charge plusieurs tâches de détection telles que la détection d'objets , la segmentation des instances , la segmentation panoptique et la détection d'objets semi-supervisées .
Grande efficacité
Toutes les opérations de base Bbox et Mask s'exécutent sur des GPU. La vitesse d'entraînement est plus rapide que ou comparable à d'autres bases de code, notamment Detectron2, MaskRCNN-Benchmark et SimpleDet.
État de l'art
La boîte à outils découle de la base de code développée par l'équipe MMDET , qui a remporté le défi de détection de Coco en 2018, et nous continuons à le faire avancer. Le RTMDET récemment libéré obtient également de nouveaux résultats de pointe sur la segmentation des instances en temps réel et les tâches de détection d'objets tournées et le meilleur compromis de paramètre-précision sur la détection d'objets.
Outre MMDection, nous avons également publié Mmengine pour la formation des modèles et le MMCV pour la recherche sur la vision par ordinateur, qui dépend fortement de cette boîte à outils.
? Nous avons publié les poids pré-formés pour MM-Fording-Dino Swin-B et Swin-L, bienvenue pour essayer de donner des commentaires.
V3.3.0 a été publié le 5/1/2024:
MM-Grounding-Dino: un pipeline ouvert et complet pour la mise à la terre et la détection des objets unifiés
La mise à la terre Dino est un modèle de pré-formation de mise à la terre qui unifie la détection d'objets de vocabulaire ouverte 2D et la mise à la terre des phrases, avec de grandes applications. Cependant, sa partie de formation n'a pas été ouverte. Par conséquent, nous proposons le MM-Fording-Dino, qui non seulement sert de version de réplication open source de la mise à la terre Dino, mais réalise également une amélioration des performances significative basée sur les types de données reconstruits, explorant différentes combinaisons d'ensembles de données et stratégies d'initialisation. De plus, nous effectuons des évaluations à partir de plusieurs dimensions, notamment OOD, REC, la mise à la terre, l'OVD et la dizaine d'administration, pour fouiller pleinement les avantages et les inconvénients de la mise à la terre pré-formation, dans l'espoir de s'inspirer des travaux futurs.
Code: mm_grounding_dino / readme.md
Nous sommes ravis d'annoncer nos derniers travaux sur les tâches de reconnaissance d'objets en temps réel, RTMDET , une famille de détecteurs à un stade entièrement convolutionnels. RTMDET réalise non seulement le meilleur compromis de précision des paramètres sur la détection d'objets de tailles de modèle minuscules à extra-larges, mais obtient également de nouvelles performances de pointe sur la segmentation des instances et les tâches de détection d'objets tournées. Les détails peuvent être trouvés dans le rapport technique. Les modèles pré-formés sont là.
| Tâche | Ensemble de données | AP | FPS (TRT FP16 BS1 3090) |
|---|---|---|---|
| Détection d'objet | Coco | 52.8 | 322 |
| Segmentation des instances | Coco | 44.6 | 188 |
| Détection d'objets tournés | Dota | 78.9 (à l'échelle unique) /81.3 (multi-échelles) | 121 |
Veuillez vous référer à l'installation pour les instructions d'installation.
Veuillez voir un aperçu de l'introduction générale de MMDection.
Pour des guides d'utilisateurs détaillés et des guides avancés, veuillez vous référer à notre documentation:
Guides utilisateur
Guides avancés
Nous fournissons également le didacticiel COLAB de détection d'objets et la segmentation des instances Colab Tutoriel.
Pour migrer de MMDection 2.x, veuillez vous référer à la migration.
Les résultats et les modèles sont disponibles dans le Zoo du modèle.
| Détection d'objet | Segmentation des instances | Segmentation panoptique | Autre |
|
|
|
|
| Épine dorsale | Cou | Perte | Commun |
|
|
|
|
Certaines autres méthodes sont également prises en charge dans des projets à l'aide de MMDection.
Veuillez vous référer à la FAQ pour les questions fréquemment posées.
Nous apprécions toutes les contributions à l'amélioration de MMDETECTION. Les projets en cours peuvent être trouvés dans les projets GitHub. Bienvenue aux utilisateurs de la communauté pour participer à ces projets. Veuillez vous référer à contribution.md pour la directive contributive.
MMDection est un projet open source qui est apporté par des chercheurs et des ingénieurs de divers collèges et entreprises. Nous apprécions tous les contributeurs qui mettent en œuvre leurs méthodes ou ajoutent de nouvelles fonctionnalités, ainsi que des utilisateurs qui donnent des commentaires précieux. Nous souhaitons que la boîte à outils et la référence puissent servir la communauté de recherche croissante en fournissant une boîte à outils flexible pour réimplémenter les méthodes existantes et développer leurs propres nouveaux détecteurs.
Si vous utilisez cette boîte à outils ou cette référence dans votre recherche, veuillez citer ce projet.
@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}
}
Ce projet est publié sous la licence Apache 2.0.
