mmdetection
v3.3.0
Dokumentasi | Instalasi | ? Model Zoo | ? Perbarui berita | Proyek yang sedang berlangsung | Masalah pelaporan
Bahasa Inggris | 简体中文
MMDetection adalah kotak alat deteksi objek open source berdasarkan pytorch. Ini adalah bagian dari proyek OpenMmLab.
Cabang utama bekerja dengan Pytorch 1.8+ .
Desain Modular
Kami menguraikan kerangka kerja deteksi menjadi komponen yang berbeda dan seseorang dapat dengan mudah membangun kerangka deteksi objek yang disesuaikan dengan menggabungkan berbagai modul.
Dukungan beberapa tugas di luar kotak
Toolbox secara langsung mendukung beberapa tugas deteksi seperti deteksi objek , segmentasi instan , segmentasi panoptik , dan deteksi objek semi-diawasi .
Efisiensi tinggi
Semua operasi Bbox dan topeng dasar dijalankan di GPU. Kecepatan pelatihan lebih cepat dari atau sebanding dengan basis kode lainnya, termasuk detectron2, maskrcnn-benchmark dan Simpledet.
Canggih
Toolbox berasal dari basis kode yang dikembangkan oleh tim MMDET , yang memenangkan Coco Detection Challenge pada tahun 2018, dan kami terus mendorongnya ke depan. RTMDET yang baru dirilis juga memperoleh hasil canggih baru pada segmentasi instance real-time dan tugas deteksi objek yang diputar dan trade-off akurasi parameter terbaik pada deteksi objek.
Terlepas dari mmdetection, kami juga merilis MMengine untuk pelatihan model dan MMCV untuk penelitian visi komputer, yang sangat bergantung pada kotak alat ini.
? Kami telah merilis bobot terlatih untuk mm-darat-dino swin-b dan swin-l, selamat datang untuk mencoba dan memberikan umpan balik.
v3.3.0 dirilis pada 5/1/2024:
MM-GROUNDING-DINO: Pipa terbuka dan komprehensif untuk pembumian dan deteksi objek terpadu
Grounding Dino adalah model pra-pelatihan grounding yang menyatukan deteksi dan frasa objek kosakata terbuka 2D, dengan aplikasi yang luas. Namun, bagian pelatihannya belum bersumber terbuka. Oleh karena itu, kami mengusulkan MM-Grounding-Dino, yang tidak hanya berfungsi sebagai versi replikasi open source dari grounding dino, tetapi juga mencapai peningkatan kinerja yang signifikan berdasarkan jenis data yang direkonstruksi, mengeksplorasi berbagai kombinasi dataset dan strategi inisialisasi. Selain itu, kami melakukan evaluasi dari berbagai dimensi, termasuk OOD, REC, frase grounding, OVD, dan fine-tune, untuk sepenuhnya menggali kelebihan dan kekurangan landasan pra-pelatihan, berharap dapat memberikan inspirasi untuk pekerjaan di masa depan.
Kode: mm_grounding_dino/readme.md
Kami sangat senang mengumumkan pekerjaan terbaru kami tentang tugas pengenalan objek real-time, RTMDET , keluarga detektor tahap tunggal yang sepenuhnya konvolusional. RTMDET tidak hanya mencapai trade-off akurasi parameter terbaik pada deteksi objek dari ukuran model kecil hingga ekstra besar tetapi juga memperoleh kinerja canggih baru pada segmentasi instan dan tugas deteksi objek yang diputar. Detail dapat ditemukan dalam laporan teknis. Model pra-terlatih ada di sini.
| Tugas | Dataset | Ap | FPS (TRT FP16 BS1 3090) |
|---|---|---|---|
| Deteksi Objek | KELAPA | 52.8 | 322 |
| Segmentasi instan | KELAPA | 44.6 | 188 |
| Deteksi objek yang diputar | Dota | 78.9 (skala tunggal) /81.3 (multi-skala) | 121 |
Silakan merujuk ke instalasi untuk instruksi instalasi.
Silakan lihat ikhtisar untuk pengenalan umum mmdetection.
Untuk panduan pengguna terperinci dan panduan lanjutan, silakan merujuk ke dokumentasi kami:
Panduan Pengguna
Panduan Tingkat Lanjut
Kami juga menyediakan tutorial Colab deteksi objek dan tutorial Colab segmentasi instance.
Untuk bermigrasi dari MMDetection 2.x, silakan merujuk ke migrasi.
Hasil dan model tersedia di kebun binatang model.
| Deteksi Objek | Segmentasi instan | Segmentasi panoptik | Lainnya |
|
|
|
|
| Tulang punggung | Leher | Kehilangan | Umum |
|
|
|
|
Beberapa metode lain juga didukung dalam proyek yang menggunakan mmdetection.
Silakan merujuk ke FAQ untuk pertanyaan yang sering diajukan.
Kami menghargai semua kontribusi untuk meningkatkan mmdetection. Proyek yang sedang berlangsung dapat ditemukan di proyek GitHub. Selamat datang pengguna komunitas untuk berpartisipasi dalam proyek -proyek ini. Silakan merujuk ke Contributing.MD untuk Pedoman yang Berkontribusi.
MMDetection adalah proyek open source yang disumbangkan oleh para peneliti dan insinyur dari berbagai perguruan tinggi dan perusahaan. Kami menghargai semua kontributor yang mengimplementasikan metode mereka atau menambahkan fitur baru, serta pengguna yang memberikan umpan balik yang berharga. Kami berharap bahwa kotak alat dan tolok ukur dapat melayani komunitas riset yang berkembang dengan menyediakan toolkit yang fleksibel untuk menerapkan kembali metode yang ada dan mengembangkan detektor baru mereka sendiri.
Jika Anda menggunakan kotak alat atau tolok ukur ini dalam penelitian Anda, silakan kutip proyek ini.
@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}
}
Proyek ini dirilis di bawah lisensi Apache 2.0.
