mmdetection
v3.3.0
เอกสาร การติดตั้ง ? Model Zoo | อัปเดตข่าว | โครงการต่อเนื่อง ปัญหาการรายงาน
ภาษาอังกฤษ | 简体中文
MMDetection เป็นกล่องเครื่องมือตรวจจับวัตถุโอเพ่นซอร์สตาม pytorch มันเป็นส่วนหนึ่งของโครงการ OpenMMLAB
สาขาหลักทำงานร่วมกับ Pytorch 1.8+
การออกแบบแบบแยกส่วน
เราย่อยสลายกรอบการตรวจจับเป็นส่วนประกอบที่แตกต่างกันและหนึ่งสามารถสร้างกรอบการตรวจจับวัตถุที่กำหนดเองได้อย่างง่ายดายโดยการรวมโมดูลที่แตกต่างกัน
สนับสนุนงานหลายงานนอกกล่อง
กล่องเครื่องมือรองรับงานตรวจจับหลายงานโดยตรงเช่น การตรวจจับวัตถุ การแบ่งส่วนอินสแตนซ์ การแบ่งส่วน panoptic และ การตรวจจับวัตถุกึ่งผู้ดูแล
ประสิทธิภาพสูง
การดำเนินการ BBOX และ MASK พื้นฐานทั้งหมดทำงานบน GPU ความเร็วในการฝึกอบรมนั้นเร็วกว่าหรือเทียบเคียงได้กับรหัสฐานอื่น ๆ รวมถึง Detectron2, Maskrcnn-benchmark และ Simpledet
ล้ำสมัย
กล่องเครื่องมือเกิดจาก Codebase ที่พัฒนาโดยทีม MMDET ซึ่งได้รับรางวัล Coco Detection Challenge ในปี 2561 และเราผลักดันมันไปข้างหน้า RTMDET ที่เพิ่งเปิดตัวใหม่ยังได้รับผลลัพธ์ที่ทันสมัยใหม่ในการแบ่งส่วนอินสแตนซ์แบบเรียลไทม์และงานตรวจจับวัตถุที่หมุนได้และการแลกเปลี่ยนพารามิเตอร์ที่ดีที่สุดในการตรวจจับวัตถุ
นอกเหนือจาก MMDetection แล้วเรายังเปิดตัว MMENGINE สำหรับการฝึกอบรมแบบจำลองและ MMCV สำหรับการวิจัยการมองเห็นคอมพิวเตอร์ซึ่งขึ้นอยู่กับกล่องเครื่องมือนี้อย่างมาก
- เราได้เปิดตัวน้ำหนักที่ได้รับการฝึกอบรมล่วงหน้าสำหรับ MM-Grounding-Dino Swin-B และ Swin-L ยินดีต้อนรับเพื่อลองและให้ข้อเสนอแนะ
v3.3.0 ได้รับการปล่อยตัวใน 5/1/2024:
MM-Grounding-Dino: ไปป์ไลน์แบบเปิดและครอบคลุมสำหรับการต่อสายดินและตรวจจับ
Grounding Dino เป็นรูปแบบการฝึกอบรมก่อนการต่อสายดินที่รวมการตรวจจับวัตถุคำศัพท์แบบเปิด 2D และการลงดินวลีด้วยแอปพลิเคชันที่กว้าง อย่างไรก็ตามส่วนการฝึกอบรมของมันยังไม่ได้รับการเปิด ดังนั้นเราจึงเสนอ MM-Grounding-Dino ซึ่งไม่เพียง แต่ทำหน้าที่เป็นเวอร์ชันการจำลองแบบโอเพนซอร์สของ Dino แต่ยังได้รับการปรับปรุงประสิทธิภาพที่สำคัญตามประเภทข้อมูลที่สร้างขึ้นใหม่สำรวจชุดข้อมูลที่แตกต่างกันและกลยุทธ์การเริ่มต้น ยิ่งไปกว่านั้นเราทำการประเมินผลจากหลายมิติรวมถึง OOD, REC, สายดินวลี, OVD และการปรับแต่งเพื่อขุดข้อดีและข้อเสียของการฝึกอบรมก่อนการฝึก
รหัส: mm_grounding_dino/readme.md
เรารู้สึกตื่นเต้นที่จะประกาศผลงานล่าสุดของเราเกี่ยวกับงานการจดจำวัตถุแบบเรียลไทม์ RTMDET ซึ่งเป็นครอบครัวของเครื่องตรวจจับขั้นตอนเดียวอย่างสมบูรณ์ RTMDET ไม่เพียง แต่จะได้รับการแลกเปลี่ยนพารามิเตอร์-ความแม่นยำที่ดีที่สุดในการตรวจจับวัตถุจากขนาดขนาดเล็กถึงขนาดใหญ่พิเศษ แต่ยังได้รับประสิทธิภาพที่ทันสมัยใหม่ในการแบ่งส่วนอินสแตนซ์และงานตรวจจับวัตถุที่หมุนได้ รายละเอียดสามารถพบได้ในรายงานทางเทคนิค โมเดลที่ผ่านการฝึกอบรมมาก่อนอยู่ที่นี่
| งาน | ชุดข้อมูล | ap | FPS (TRT FP16 BS1 3090) |
|---|---|---|---|
| การตรวจจับวัตถุ | โกโก้ | 52.8 | 322 |
| การแบ่งส่วนอินสแตนซ์ | โกโก้ | 44.6 | 188 |
| การตรวจจับวัตถุที่หมุน | dota | 78.9 (ระดับเดียว) /81.3 (หลายระดับ) | 121 |
โปรดดูการติดตั้งสำหรับคำแนะนำในการติดตั้ง
โปรดดูภาพรวมสำหรับการแนะนำทั่วไปของ mmdetection
สำหรับคู่มือผู้ใช้โดยละเอียดและคู่มือขั้นสูงโปรดดูเอกสารของเรา:
คู่มือผู้ใช้
คู่มือขั้นสูง
นอกจากนี้เรายังให้การสอนการตรวจจับการตรวจจับวัตถุและการแบ่งส่วนการแบ่งกลุ่ม
หากต้องการโยกย้ายจาก MMDetection 2.x โปรดดูการย้ายถิ่น
ผลลัพธ์และรุ่นมีอยู่ในสวนสัตว์รุ่น
| การตรวจจับวัตถุ | การแบ่งส่วนอินสแตนซ์ | การแบ่งส่วน panoptic | อื่น |
|
|
|
|
| กระดูกสันหลัง | คอ | การสูญเสีย | ทั่วไป |
|
|
|
|
วิธีการอื่น ๆ ได้รับการสนับสนุนในโครงการโดยใช้ MMDetection
โปรดดูคำถามที่พบบ่อยสำหรับคำถามที่พบบ่อย
เราขอขอบคุณการมีส่วนร่วมทั้งหมดเพื่อปรับปรุง MMDetection โครงการต่อเนื่องสามารถพบได้ในโครงการ GitHub ยินดีต้อนรับผู้ใช้ชุมชนที่จะเข้าร่วมในโครงการเหล่านี้ โปรดดูที่การสนับสนุน MD สำหรับแนวทางที่มีส่วนร่วม
MMDetection เป็นโครงการโอเพ่นซอร์สที่ได้รับการสนับสนุนจากนักวิจัยและวิศวกรจากวิทยาลัยและ บริษัท ต่างๆ เราขอขอบคุณผู้สนับสนุนทุกคนที่ใช้วิธีการของพวกเขาหรือเพิ่มคุณสมบัติใหม่รวมถึงผู้ใช้ที่ให้ข้อเสนอแนะที่มีค่า เราหวังว่ากล่องเครื่องมือและเกณฑ์มาตรฐานสามารถให้บริการชุมชนการวิจัยที่กำลังเติบโตโดยการจัดหาชุดเครื่องมือที่ยืดหยุ่นเพื่อนำวิธีการที่มีอยู่ใหม่มาใช้ใหม่และพัฒนาเครื่องตรวจจับใหม่ของตัวเอง
หากคุณใช้กล่องเครื่องมือหรือเกณฑ์มาตรฐานในการวิจัยของคุณโปรดอ้างอิงโครงการนี้
@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}
}
โครงการนี้เปิดตัวภายใต้ใบอนุญาต Apache 2.0
