MaskDINO

MaskDINO

统一的Transformer架构革新目标检测与分割任务

MaskDINO项目提出统一的Transformer架构,整合目标检测、全景分割、实例分割和语义分割任务。该架构实现检测与分割的协同,并在COCO、ADE20K和Cityscapes等主要数据集上取得领先成果。在相同条件下,MaskDINO的性能超越了现有方法,展现出在视觉任务中的卓越潜力。

Mask DINO目标检测图像分割transformer深度学习Github开源项目

Mask DINO <img src="https://yellow-cdn.veclightyear.com/835a84d5/ae060e56-089a-4f67-8829-ab70505422b5.png" width="30">

PWC PWC PWC PWC PWC

冯利*张浩*徐怀哲刘世龙张磊倪明选沈向洋

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detectron2detrex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>

[2022/7] DINO的代码可在这里获取!

[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>

特点

  • 用于目标检测、全景分割、实例分割和语义分割的统一架构。
  • 实现检测和分割之间的任务和数据协作
  • 在相同设置下达到最先进的性能。
  • 支持主要的检测和分割数据集:COCO、ADE20K、Cityscapes。

代码更新

  • [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><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54.7 AP,COCO全景分割排行榜59.5 PQ,ADE20K语义分割排行榜60.8 mIoU)!

<details open> <summary> <font size=8><strong>待办事项</strong></font> </summary>
  • 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

</details>

安装

参见安装说明

入门指南

参见使用预训练模型进行推理演示

参见结果

参见为MaskDINO准备数据集

参见入门指南

参见更多用法

MaskDINO


结果

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。

COCO实例分割和目标检测

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1024hid 1024)和不使用增强掩码初始化(no mask enhance)的模型。

<table><tbody> <!-- 开始表格 --> <!-- 表格标题 --> <th valign="bottom">名称</th> <th valign="bottom">主干网络</th> <th valign="bottom">训练轮数</th> <th valign="bottom">掩码AP</th> <th valign="bottom">边界框AP</th> <th valign="bottom">参数量</th> <th valign="bottom">GFlops</th> <th valign="bottom">下载</th> <tr><td align="left">MaskDINO (hid 1024) | <a href="configs/coco/instance-segmentation/maskdino_R50_bs16_50ep_3s.yaml">配置</a></td> <td align="center">R50</td> <td align="center">50</td> <td align="center">46.1</td> <td align="center">51.5</td> <td align="center">47M</td> <td align="center">226</td> <td align="center"><a href="https://github.com/IDEA-Research/detrex-storage/releases/download/maskdino-v0.1.0/maskdino_r50_50ep_300q_hid1024_3sd1_instance_maskenhanced_mask46.1ap_box51.5ap.pth">模型</a></td> </tr> MaskDINO | <a href="configs/coco/instance-segmentation/maskdino_R50_bs16_50ep_3s_dowsample1_2048.yaml">配置</a> <td align="center">R50</td> <td align="center">50</td> <td align="center">46.3</td> <td align="center">51.7</td> <td align="center">52M</td> <td align="center">286</td> <td align="center"><a href="https://github.com/IDEA-Research/detrex-storage/releases/download/maskdino-v0.1.0/maskdino_r50_50ep_300q_hid2048_3sd1_instance_maskenhanced_mask46.3ap_box51.7ap.pth">模型</a></td> </tr> <tr><td align="left">MaskDINO (无掩码增强) | <a href="configs/coco/instance-segmentation/swin/maskdino_R50_bs16_50ep_4s_dowsample1_2048.yaml">配置</a></td> <td align="center">Swin-L (IN21k)</td> <td align="center">50</td> <td align="center">52.1</td> <td align="center">58.3</td> <td align="center">223</td> <td align="center">1326</td> <td align="center"><a href="https://github.com/IDEA-Research/detrex-storage/releases/download/maskdino-v0.1.0/maskdino_swinl_50ep_300q_hid2048_3sd1_instance_mask52.1ap_box58.3ap.pth">模型</a></td> </tr> <tr><td align="left">MaskDINO | <a href="configs/coco/instance-segmentation/swin/maskdino_R50_bs16_50ep_4s_dowsample1_2048.yaml">配置</a></td> <td align="center">Swin-L (IN21k)</td> <td align="center">50</td> <td align="center">52.3</td> <td align="center">59.0</td> <td align="center">223</td> <td align="center">1326</td> <td align="center"><a href="https://github.com/IDEA-Research/detrex-storage/releases/download/maskdino-v0.1.0/maskdino_swinl_50ep_300q_hid2048_3sd1_instance_maskenhanced_mask52.3ap_box59.0ap.pth">模型</a></td> </tr> <tr><td align="left">MaskDINO+O365数据+1.2倍大图像</td> <td align="center">Swin-L (IN21k)</td> <td align="center">20</td> <td align="center">54.5</td> <td align="center">---</td> <td align="center">223</td> <td align="center">1326</td> <td align="center">即将发布</td> </tr> </tbody></table>

COCO全景分割

<table><tbody> <!-- 表格开始 --> <!-- 表头 --> <th valign="bottom">名称</th> <th valign="bottom">骨干网络</th> <th valign="bottom">训练轮数</th> <th valign="bottom">PQ</th> <th valign="bottom">掩码AP</th> <th valign="bottom">边界框AP</th> <th valign="bottom">mIoU</th> <th valign="bottom">下载</th> <tr><td align="left">MaskDINO | <a href="configs/coco/panoptic-segmentation/maskdino_R50_bs16_50ep_3s_dowsample1_2048.yaml">配置</a></td> <td align="center">R50</td> <td align="center">50</td> <td align="center">53.0</td> <td align="center">48.8</td> <td align="center">44.3</td> <td align="center">60.6</td> <td align="center"><a href="https://github.com/IDEA-Research/detrex-storage/releases/download/maskdino-v0.1.0/maskdino_r50_50ep_300q_hid2048_3sd1_panoptic_pq53.0.pth">模型</a></td> <tr><td align="left">MaskDINO | <a href="configs/coco/panoptic-segmentation/swin/maskdino_R50_bs16_50ep_4s_dowsample1_2048.yaml">配置</a></td> <td align="center">Swin-L (IN21k)</td> <td align="center">50</td> <td align="center">58.3</td> <td align="center">50.6</td> <td align="center">56.2</td> <td align="center">67.5</td> <td align="center"><a href="https://github.com/IDEA-Research/detrex-storage/releases/download/maskdino-v0.1.0/maskdino_swinl_50ep_300q_hid2048_3sd1_panoptic_58.3pq.pth">模型</a></td> </tr> <tr><td align="left">MaskDINO+O365数据+1.2倍大图像</td> <td align="center">Swin-L (IN21k)</td> <td align="center">20</td> <td align="center">59.4</td> <td align="center">53.0</td> <td align="center">57.7</td> <td align="center">67.3</td> <td align="center">即将发布</td> </tr> </tbody></table>

语义分割

我们使用隐藏维度1024和100个查询进行语义分割。

<table><tbody> <!-- 表格开始 --> <!-- 表头 --> <th valign="bottom">名称</th> <th valign="bottom">数据集</th> <th valign="bottom">骨干网络</th> <th valign="bottom">迭代次数</th> <th valign="bottom">mIoU</th> <th valign="bottom">下载</th> <tr><td align="left">MaskDINO | <a href="configs/ade20k/semantic-segmentation/maskdino_R50_bs16_160k_steplr.yaml">配置</a></td> <td align="center">ADE20K</td> <td align="center">R50</td> <td align="center">160k</td> <td align="center">48.7</td> <td align="center"><a href="https://github.com/IDEA-Research/detrex-storage/releases/download/maskdino-v0.1.0/maskdino_r50_50ep_100q_celoss_hid1024_3s_semantic_ade20k_48.7miou.pth">模型</a></td> <tr><td align="left">MaskDINO | <a href="configs/cityscapes/semantic-segmentation/maskdino_R50_bs16_90k_steplr.yaml">配置</a></td> <td align="center">Cityscapes</td> <td align="center">R50</td> <td align="center">90k</td> <td align="center">79.8</td> <td align="center"><a href="https://github.com/IDEA-Research/detrex-storage/releases/download/maskdino-v0.1.0/maskdino_r50_50ep_100q_celoss_hid1024_3s_semantic_cityscapes_79.8miou.pth">模型</a></td> </tbody></table>

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。

入门指南

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。

评估我们的预训练模型

  • 您可以下载我们的预训练模型并使用以下命令评估它们。
    python train_net.py --eval-only --num-gpus 8 --config-file config_path MODEL.WEIGHTS /path/to/checkpoint_file
    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/path/to/checkpoint_file,然后运行
    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
    这将复现模型的结果。

训练MaskDINO以复现结果

  • 使用上述命令而不带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
  • 对于ResNet-50模型,在8个GPU上训练需要每个GPU约15G内存,50个训练轮需要3天时间。
  • 对于Swin-L模型,在8个GPU上训练需要每个GPU60G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。
  • 我们对所有模型使用总批量大小16。如果在1个GPU上训练,您需要自己确定学习率和批量大小
    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。

更多用法

掩码增强的边界框初始化

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。

模型组件

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:

    1. 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。
    2. 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。

许可证

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。

<a name="CitingMaskDINO"></a>引用Mask DINO

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} }

致谢

非常感谢这些优秀的开源项目

编辑推荐精选

AEE

AEE

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。

UI-TARS-desktop

UI-TARS-desktop

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。

Wan2.1

Wan2.1

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。

爱图表

爱图表

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。

Qwen2.5-VL

Qwen2.5-VL

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。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多