Skip to content

Latest commit

 

History

History
497 lines (387 loc) · 27.7 KB

README_zh-CN.md

File metadata and controls

497 lines (387 loc) · 27.7 KB
Raw
 
OpenMMLab 官网 HOT      OpenMMLab 开放平台 TRY IT OUT
 

PyPI docs deploy codecov license open issues issue resolution Open in OpenXLab

📘使用文档 | 🛠️安装教程 | 👀模型库 | 🆕更新日志 | 🤔报告问题

English | 简体中文

📄 Table of Contents

🥳 🚀 最新进展 🔝

💎 v0.6.0 版本已经在 2023.8.15 发布：

  • 支持 YOLOv5 实例分割
  • 基于 MMPose 支持 YOLOX-Pose
  • 添加 15 分钟的实例分割教程
  • YOLOv5 支持使用 mask 标注来优化边界框
  • 添加多尺度训练和测试文档

我们提供了实用的脚本命令速查表

你可以点击链接，下载高清版 PDF 文件。

同时我们也推出了解读视频：

内容 视频 课程中的代码
🌟 特征图可视化 Link bilibili 特征图可视化.ipynb
🌟 源码阅读和调试「必备」技巧 Link bilibili 源码阅读和调试「必备」技巧文档
🌟 10分钟换遍主干网络 Link bilibili 10分钟换遍主干网络文档
10分钟换遍主干网络.ipynb
🌟 自定义数据集从标注到部署保姆级教程 Link bilibili 自定义数据集从标注到部署保姆级教程
🌟 顶会第一步 · 模块自定义 Link bilibili 顶会第一步·模块自定义.ipynb

完整视频列表请参考 中文解读资源汇总 - 视频

发布历史和更新细节请参考 更新日志

✨ 亮点 🔝

我们很高兴向大家介绍我们在实时目标识别任务方面的最新成果 RTMDet，包含了一系列的全卷积单阶段检测模型。 RTMDet 不仅在从 tiny 到 extra-large 尺寸的目标检测模型上实现了最佳的参数量和精度的平衡，而且在实时实例分割和旋转目标检测任务上取得了最先进的成果。 更多细节请参阅技术报告。 预训练模型可以在这里找到。

PWC PWC PWC

Task Dataset AP FPS(TRT FP16 BS1 3090)
Object Detection COCO 52.8 322
Instance Segmentation COCO 44.6 188
Rotated Object Detection DOTA 78.9(single-scale)/81.3(multi-scale) 121

MMYOLO 中目前实现了目标检测和旋转框目标检测算法，但是相比 MMDeteciton 版本有显著训练加速，训练速度相比原先版本提升 2.6 倍。

📖 简介 🔝

MMYOLO 是一个基于 PyTorch 和 MMDetection 的 YOLO 系列算法开源工具箱。它是 OpenMMLab 项目的一部分。

主分支代码目前支持 PyTorch 1.6 以上的版本。

主要特性

  • 🕹️ 统一便捷的算法评测

    MMYOLO 统一了各类 YOLO 算法模块的实现, 并提供了统一的评测流程，用户可以公平便捷地进行对比分析。

  • 📚 丰富的入门和进阶文档

    MMYOLO 提供了从入门到部署到进阶和算法解析等一系列文档，方便不同用户快速上手和扩展。

  • 🧩 模块化设计

    MMYOLO 将框架解耦成不同的模块组件，通过组合不同的模块和训练测试策略，用户可以便捷地构建自定义模型。

基类-P5 图为 RangeKing@GitHub 提供，非常感谢！

P6 模型图详见 model_design.md。

🛠️ 安装 🔝

MMYOLO 依赖 PyTorch, MMCV, MMEngine 和 MMDetection，以下是安装的简要步骤。 更详细的安装指南请参考安装文档。

conda create -n mmyolo python=3.8 pytorch==1.10.1 torchvision==0.11.2 cudatoolkit=11.3 -c pytorch -y
conda activate mmyolo
pip install openmim
mim install "mmengine>=0.6.0"
mim install "mmcv>=2.0.0rc4,<2.1.0"
mim install "mmdet>=3.0.0,<4.0.0"
git clone https://github.com/open-mmlab/mmyolo.git
cd mmyolo
# Install albumentations
pip install -r requirements/albu.txt
# Install MMYOLO
mim install -v -e .

👨‍🏫 教程 🔝

MMYOLO 基于 MMDetection 开源库，并且采用相同的代码组织和设计方式。为了更好的使用本开源库，请先阅读 MMDetection 概述 对 MMDetection 进行初步地了解。

MMYOLO 用法和 MMDetection 几乎一致，所有教程都是通用的，你也可以了解 MMDetection 用户指南和进阶指南 。

针对和 MMDetection 不同的部分，我们也准备了用户指南和进阶指南，请阅读我们的 文档 。

开启 MMYOLO 之旅
推荐专题
常用功能
实用工具
基础教程
进阶教程
说明

📊 基准测试和模型库 🔝

测试结果和模型可以在 模型库 中找到。

支持的任务
  • 目标检测
  • 旋转框目标检测
支持的算法
支持的数据集
  • COCO Dataset
  • VOC Dataset
  • CrowdHuman Dataset
  • DOTA 1.0 Dataset
模块组件
Backbones Necks Loss Common
  • YOLOv5CSPDarknet
  • YOLOv8CSPDarknet
  • YOLOXCSPDarknet
  • EfficientRep
  • CSPNeXt
  • YOLOv7Backbone
  • PPYOLOECSPResNet
  • mmdet backbone
  • mmcls backbone
  • timm
  • YOLOv5PAFPN
  • YOLOv8PAFPN
  • YOLOv6RepPAFPN
  • YOLOXPAFPN
  • CSPNeXtPAFPN
  • YOLOv7PAFPN
  • PPYOLOECSPPAFPN
  • IoULoss
  • mmdet loss

🧰 基于 MMYOLO 开发的项目 🔝

算法

部署

  • EdgeLab Seeed Studio EdgeLab 是一个专注于嵌入式人工智能的开源项目。他们对 OpenMMLab 中的优秀算法进行了优化，使其适用于实际应用场景，并使实现过程更加友好，从而在嵌入式设备上实现更快、更准确的推理。

  • AX-Samples AX-Samples 由 爱芯元智 主导开发。该项目实现了常见的 深度学习开源算法 在 爱芯元智 的 AI SoC 上的示例代码，其中也包含了 MMYOLO 的相关示例。

  • PPQ ONNX Quantization Model Zoo OnnxQuant 是目前最大的模型量化数据集，它包含 ONNX 模型，数据，以及相关的测试脚本。 他们使用 MMYOLO 作为目标检测量化算法的基准测试。

❓ 常见问题 🔝

请参考 FAQ 了解其他用户的常见问题。

🙌 贡献指南 🔝

我们感谢所有的贡献者为改进和提升 MMYOLO 所作出的努力。我们将正在进行中的项目添加进了GitHub Projects页面，非常欢迎社区用户能参与进这些项目中来。请参考贡献指南来了解参与项目贡献的相关指引。

🤝 致谢 🔝

MMYOLO 是一款由来自不同高校和企业的研发人员共同参与贡献的开源项目。我们感谢所有为项目提供算法复现和新功能支持的贡献者，以及提供宝贵反馈的用户。 我们希望这个工具箱和基准测试可以为社区提供灵活的代码工具，供用户复现已有算法并开发自己的新模型，从而不断为开源社区提供贡献。

🖊️ 引用 🔝

如果你觉得本项目对你的研究工作有所帮助，请参考如下 bibtex 引用 MMYOLO

@misc{mmyolo2022,
    title={{MMYOLO: OpenMMLab YOLO} series toolbox and benchmark},
    author={MMYOLO Contributors},
    howpublished = {\url{https://github.com/open-mmlab/mmyolo}},
    year={2022}
}

🎫 开源许可证 🔝

该项目采用 GPL 3.0 开源许可证。

🏗️ OpenMMLab 的其他项目 🔝

  • MMEngine: OpenMMLab 深度学习模型训练基础库
  • MMCV: OpenMMLab 计算机视觉基础库
  • MMPreTrain: OpenMMLab 深度学习预训练工具箱
  • MMagic: OpenMMLab 新一代人工智能内容生成（AIGC）工具箱
  • MMDetection: OpenMMLab 目标检测工具箱
  • MMDetection3D: OpenMMLab 新一代通用 3D 目标检测平台
  • MMRotate: OpenMMLab 旋转框检测工具箱与测试基准
  • MMYOLO: OpenMMLab YOLO 系列工具箱
  • MMSegmentation: OpenMMLab 语义分割工具箱
  • MMOCR: OpenMMLab 全流程文字检测识别理解工具包
  • MMPose: OpenMMLab 姿态估计工具箱
  • MMHuman3D: OpenMMLab 人体参数化模型工具箱与测试基准
  • MMSelfSup: OpenMMLab 自监督学习工具箱与测试基准
  • MMRazor: OpenMMLab 模型压缩工具箱与测试基准
  • MMFewShot: OpenMMLab 少样本学习工具箱与测试基准
  • MMAction2: OpenMMLab 新一代视频理解工具箱
  • MMTracking: OpenMMLab 一体化视频目标感知平台
  • MMFlow: OpenMMLab 光流估计工具箱与测试基准
  • MMEditing: OpenMMLab 图像视频编辑工具箱
  • MMGeneration: OpenMMLab 图片视频生成模型工具箱
  • MMDeploy: OpenMMLab 模型部署框架
  • MIM: MIM 是 OpenMMlab 项目、算法、模型的统一入口
  • MMEval: OpenMMLab 机器学习算法评测库
  • Playground: 收集和展示 OpenMMLab 相关的前沿、有趣的社区项目

❤️ 欢迎加入 OpenMMLab 社区 🔝

扫描下方的二维码可关注 OpenMMLab 团队的 知乎官方账号，加入 OpenMMLab 团队的 官方交流 QQ 群

我们会在 OpenMMLab 社区为大家

  • 📢 分享 AI 框架的前沿核心技术
  • 💻 解读 PyTorch 常用模块源码
  • 📰 发布 OpenMMLab 的相关新闻
  • 🚀 介绍 OpenMMLab 开发的前沿算法
  • 🏃 获取更高效的问题答疑和意见反馈
  • 🔥 提供与各行各业开发者充分交流的平台

干货满满 📘，等你来撩 💗，OpenMMLab 社区期待您的加入 👬