mmdetection
v3.3.0
Документация | Установка | ? Модель зоопарка | ? Обновить новости | Продолжающиеся проекты | ? Проблемы отчетности
Английский | 简体中文
MMDetection - это набор инструментов для обнаружения объектов с открытым исходным кодом на основе Pytorch. Это часть проекта OpenMMLAB.
Основная ветвь работает с Pytorch 1.8+ .
Модульный дизайн
Мы разлагаем структуру обнаружения на разные компоненты, и можно легко построить индивидуальную структуру обнаружения объектов, объединяя различные модули.
Поддержка нескольких задач вне коробки
Является ли на инструментарий непосредственно поддерживает множество задач обнаружения, таких как обнаружение объекта , сегментация экземпляра , сегментация паноптики и полуотделение обнаружения объектов .
Высокая эффективность
Все базовые операции Bbox и Mask работают на графических процессорах. Скорость обучения быстрее, чем или сопоставима с другими кодовыми базами, включая Detectron2, Maskrcnn-Benchmark и Simpledet.
Уровень развития
Коллек инструментов связан с кодовой базой, разработанной командой MMDET , которая выиграла COCO DeTection Challenge в 2018 году, и мы продолжаем продвигать его вперед. Недавно выпущенный RTMDET также получает новые современные результаты по сегментации экземпляра в реальном времени и задачах обнаружения объектов, а также наилучшие компромиссы по обнаружению объектов при обнаружении объектов.
Помимо MMDetection, мы также выпустили MMENGINE для модельного обучения и MMCV для исследований компьютерного зрения, от которых в значительной степени зависят от этого набора инструментов.
? Мы выпустили предварительно обученные веса для MM-Grounding-Dino Swin-B и Swin-L, добро пожаловать, чтобы попытаться дать обратную связь.
v3.3.0 был выпущен в 1/1/2024:
MM-Grounding-Dino: открытый и всеобъемлющий трубопровод для объединенного объекта заземления и обнаружения
Заземление DINO-это модель предварительного обучения заземляющего обучения, которая объединяет 2D открытых словарных объектов и заземление фразы с широкими применениями. Тем не менее, его учебная часть не была открытой. Таким образом, мы предлагаем MM-Grounding-Dino, который не только служит версией репликации с открытым исходным кодом, но и достигает значительного улучшения производительности на основе реконструированных типов данных, изучая различные комбинации наборов данных и стратегии инициализации. Более того, мы проводим оценки из нескольких измерений, включая OOD, REC, фразы заземления, OVD и тонкую настройку, чтобы полностью раскопать преимущества и недостатки заземления предварительного обучения, надеясь дать вдохновение для будущей работы.
Код: mm_grounding_dino/readme.md
Мы рады объявить о нашей последней работе по задачам распознавания объектов в реальном времени, RTMDET , семействе полностью сверточных одностадийных детекторов. RTMDET не только достигает наилучшего компромисса-параметров и точечности при обнаружении объектов от крошечного до лишних размеров модели, но также обеспечивает новые современные характеристики для сегментации экземпляра и повернутых задач обнаружения объектов. Подробности можно найти в техническом отчете. Предварительно обученные модели здесь.
| Задача | Набор данных | Доступа | FPS (TRT FP16 BS1 3090) |
|---|---|---|---|
| Обнаружение объекта | Коко | 52,8 | 322 |
| Сегментация экземпляра | Коко | 44,6 | 188 |
| Объяснение повернутого объекта | Дота | 78.9 (одномасштабное) /81.3 (многомасштабное) | 121 |
Пожалуйста, обратитесь к установке для инструкций по установке.
Пожалуйста, смотрите обзор общего введения MMDetection.
Для получения подробных руководств по пользователям и расширенных руководств, пожалуйста, обратитесь к нашей документации:
Пользовательские руководства
Продвинутые гиды
Мы также предоставляем учебное пособие по колабам и сегментации экземпляров.
Чтобы мигрировать из MMDetection 2.x, пожалуйста, обратитесь к миграции.
Результаты и модели доступны в модельном зоопарке.
| Обнаружение объекта | Сегментация экземпляра | Паноптическая сегментация | Другой |
|
|
|
|
| Альпи | Шейки | Потеря | Общий |
|
|
|
|
Некоторые другие методы также поддерживаются в проектах с использованием MMDetection.
Пожалуйста, обратитесь к FAQ для часто задаваемых вопросов.
Мы ценим все вклады для улучшения MMDetection. Текущие проекты можно найти в проектах out GitHub. Приветствую пользователей сообщества участвовать в этих проектах. Пожалуйста, обратитесь к Anforming.md для руководства.
MMDetection - это проект с открытым исходным кодом, который вносится исследователи и инженеры из различных колледжей и компаний. Мы ценим всех участников, которые реализуют свои методы или добавляют новые функции, а также пользователей, которые дают ценные отзывы. Мы желаем, чтобы инструментальный ящик и эталон могли обслуживать растущее исследовательское сообщество, предоставив гибкий инструментарий для повторного представления существующих методов и разработки собственных новых детекторов.
Если вы используете этот набор инструментов или эталон в своем исследовании, пожалуйста, укажите этот проект.
@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}
}
Этот проект выпущен по лицензии Apache 2.0.
