本仓库是Mask DINO: 面向统一的基于Transformer的目标检测和分割框架(DINO发音为`daɪnoʊ',如恐龙)的官方实现。我们的代码基于detectron2。detrex版本同步开源。
:fire: 我们发布了一个强大的开放集目标检测和分割模型OpenSeeD,它基于MaskDINO,在开放集目标分割任务上取得了最佳结果。代码和检查点可在此处获取。
<details open> <summary> <font size=8><strong>新闻</strong></font> </summary>[2023/7] 我们发布了Semantic-SAM,这是一个通用图像分割模型,可以以任何所需的粒度对任何内容进行分割和识别。代码和检查点已可用!
[2023/2] Mask DINO已被CVPR 2023接收!
[2022/9] 我们发布了一个工具箱detrex,提供最先进的基于Transformer的检测算法。它包括性能更好的DINO,Mask DINO也将以detrex实现发布。欢迎使用!</br>
[2022/3]我们建立了一个仓库Awesome Detection Transformer,展示了关于用于检测和分割的transformer的论文。欢迎关注!
</details>[2022/12/02] 我们的代码和检查点已可用!在相同设置下,Mask DINO在COCO上进一步实现了ResNet-50和SwinL分别达到<strong>51.7</strong>和<strong>59.0</strong>的边界框AP,优于DINO!
[2022/6] 我们提出了一个统一的检测和分割模型Mask DINO,在三个分割任务上都取得了最佳结果(COCO实例分割排行榜上54.7 AP,COCO全景分割排行榜上59.5 PQ,ADE20K语义分割排行榜上60.8 mIoU)!
发布代码和检查点
发布从DINO到MaskDINO的模型转换检查点器
发布基于submitit的GPU集群提交脚本,用于多节点训练
发布大型模型的EMA训练
发布更多大型模型
参见安装说明。
参见结果。
参见入门指南。
参见更多用法。
在这部分中,我们展示了不使用额外检测数据或技巧的干净模型。
我们遵循DINO,默认在编码器的前馈网络中使用隐藏维度2048
。我们还在实例分割和检测中使用了论文中提出的增强掩码框初始化。为了更好地展示我们的模型,我们还在此表中列出了使用隐藏维度1024
(hid 1024
)和不使用增强掩码初始化(no mask enhance
)的模型。
我们使用隐藏维度1024
和100个查询进行语义分割。
您还可以在这里找到所有这些模型。
所有模型都是使用4个NVIDIA A100 GPU(基于ResNet-50的模型)或8个NVIDIA A100 GPU(基于Swin-L的模型)进行训练的。
我们将在未来发布更多预训练模型。
在上面的表格中,"名称"列包含指向配置文件的链接config_path
,相应的模型检查点可以从model
中的链接下载。
如果您的数据集文件不在此仓库下,您需要先添加export DETECTRON2_DATASETS=/path/to/your/data
或使用符号链接ln -s
将数据集链接到此仓库中,然后再执行以下命令。
例如,要复现我们的实例分割结果,您可以从表格中复制配置路径,将预训练检查点下载到python train_net.py --eval-only --num-gpus 8 --config-file config_path MODEL.WEIGHTS /path/to/checkpoint_file
/path/to/checkpoint_file
,然后运行
这将复现模型的结果。python train_net.py --eval-only --num-gpus 8 --config-file configs/coco/instance-segmentation/maskdino_R50_bs16_50ep_3s_dowsample1_2048.yaml MODEL.WEIGHTS /path/to/checkpoint_file
eval-only
将训练模型。对于Swin骨干网络,您需要使用MODEL.WEIGHTS /path/to/pretrained_checkpoint
指定预训练骨干网络的路径
python train_net.py --num-gpus 8 --config-file config_path MODEL.WEIGHTS /path/to/checkpoint_file
15G
内存,50个训练轮需要3
天时间。60G
内存。如果您的GPU内存不足,您也可以在两个节点上使用16个GPU进行分布式训练。python train_net.py --num-gpus 1 --config-file config_path SOLVER.IMS_PER_BATCH SET_TO_SOME_REASONABLE_VALUE SOLVER.BASE_LR SET_TO_SOME_REASONABLE_VALUE
您也可以参考Detectron2入门指南获取完整用法。
我们提供两种方法将预测的掩码转换为框来初始化解码器框。您可以按如下设置:
MODEL.MaskDINO.INITIALIZE_BOX_TYPE: no
不使用掩码增强的框初始化MODEL.MaskDINO.INITIALIZE_BOX_TYPE: mask2box
一种快速转换方式MODEL.MaskDINO.INITIALIZE_BOX_TYPE: bitmask
由detectron2提供的转换方法,速度较慢但转换更准确这两种转换方式对最终性能影响不大,您可以选择任意一种。
此外,如果您已经在没有掩码增强框初始化的情况下训练了一个模型50个epoch,您可以插入这种方法,并简单地在最后几个epoch中微调模型(即从训练32K迭代的模型加载并进行微调)。这种方式也可以达到与从头开始训练相似的性能,但更加灵活。
MaskDINO由三个组件组成:主干网络、像素解码器和Transformer解码器。 您可以轻松地用自己的实现替换这三个组件中的任何一个。
主干网络:在maskdino/modeling/backbone
下定义并注册您的主干网络 。您可以参考Swin Transformer作为示例。
像素解码器:像素解码器实际上是DINO和Deformable DETR中的多尺度编码器,我们遵循mask2former称之为像素解码器。它位于maskdino/modeling/pixel_decoder
中,您可以更改您的多尺度编码器。返回的值包括:
mask_features
是分辨率为原始图像1/4的每像素嵌入,通过融合主干网络1/4特征和多尺度编码器编码的1/8特征获得。这用于生成二元掩码。multi_scale_features
,是Transformer解码器的多尺度输入。
对于具有4个尺度的ResNet-50模型,我们使用1/32、1/16和1/8分辨率,但您可以在这里使用任意分辨率,并按照DINO的做法将1/32进一步下采样以获得第4个尺度的1/64分辨率。对于使用SwinL的5尺度模型,我们额外使用1/4分辨率特征,就像DINO中那样。transformer解码器:它主要遵循DINO解码器进行检测和分割任务。它定义在maskdino/modeling/transformer_decoder
中。
Mask DINO以Apache 2.0许可证发布。请查看LICENSE文件以获取更多信息。
版权所有 (c) IDEA。保留所有权利。
根据Apache许可证2.0版("许可证")授权;除非遵守许可证,否则不得使用这些文件。您可以在http://www.apache.org/licenses/LICENSE-2.0 获取许可证副本。
除非适用法律要求或书面同意,根据许可证分发的软件是基于"按原样"分发的,不附带任何明示或暗示的担保或条件。请参阅许可证以了解特定语言下的权限和限制。
如果您发现我们的工作对您的研究有帮助,请考虑引用以下BibTeX条目。
@misc{li2022mask, title={Mask DINO: Towards A Unified Transformer-based Framework for Object Detection and Segmentation}, author={Feng Li and Hao Zhang and Huaizhe xu and Shilong Liu and Lei Zhang and Lionel M. Ni and Heung-Yeung Shum}, year={2022}, eprint={2206.02777}, archivePrefix={arXiv}, primaryClass={cs.CV} }
如果您发现代码有用,也请考虑以下BibTeX条目。
@misc{zhang2022dino, title={DINO: DETR with Improved DeNoising Anchor Boxes for End-to-End Object Detection}, author={Hao Zhang and Feng Li and Shilong Liu and Lei Zhang and Hang Su and Jun Zhu and Lionel M. Ni and Heung-Yeung Shum}, year={2022}, eprint={2203.03605}, archivePrefix={arXiv}, primaryClass={cs.CV} } @inproceedings{li2022dn, title={Dn-detr: Accelerate detr training by introducing query denoising}, author={Li, Feng and Zhang, Hao and Liu, Shilong and Guo, Jian and Ni, Lionel M and Zhang, Lei}, booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition}, pages={13619--13627}, year={2022} } @inproceedings{ liu2022dabdetr, title={{DAB}-{DETR}: Dynamic Anchor Boxes are Better Queries for {DETR}}, author={Shilong Liu and Feng Li and Hao Zhang and Xiao Yang and Xianbiao Qi and Hang Su and Jun Zhu and Lei Zhang}, booktitle={International Conference on Learning Representations}, year={2022}, url={https://openreview.net/forum?id=oMI9PjOb9Jl} }
非常感谢这些优秀的开源项目
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
用于可扩展和多功能 3D 生成的结构化 3D 潜在表示
TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。
10 节课教你开启构建 AI 代理所需的一切知识
AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号