SOLO: 基于位置的目标分割

本项目包含实现SOLO算法进行实例分割的代码。

SOLO: 基于位置的目标分割，
王鑫龙, 孔涛, 沈春华, 蒋宇宁, 李磊
会议: 欧洲计算机视觉会议 (ECCV), 2020
arXiv 预印本 (arXiv 1912.04488)

SOLOv2: 动态且快速的实例分割，
王鑫龙, 张汝峰, 孔涛, 李磊, 沈春华
会议: 神经信息处理系统进展 (NeurIPS), 2020
arXiv 预印本 (arXiv 2003.10152)

亮点

完全无框: SOLO完全无框，不受（锚框）位置和尺度的限制，自然受益于FCN的内在优势。
直接实例分割: 我们的方法以图像作为输入，直接输出实例掩码及其对应的类别概率，采用完全卷积、无框、无分组的范式。
高质量掩码预测: SOLOv2能够预测细致的掩码，特别是在目标边界处。
最先进的性能: 我们基于ResNet-101和可变形卷积的最佳单模型在COCO测试开发集上获得了41.7%的AP（未进行多尺度测试）。SOLOv2的轻量级版本在单个V100 GPU上以31.3 FPS的速度运行，获得了**37.1%**的AP。

此实现基于mmdetection(v1.0.0)。请参阅INSTALL.md进行安装和数据集准备。

为方便起见，我们提供了以下基于COCO训练的模型（更多模型即将发布）。如果您需要PaddlePaddle框架下的模型，请参阅paddlepaddle/README.md。

模型	多尺度训练	测试时间 / 图像	AP (minival)	链接
SOLO_R50_1x	否	77ms	32.9	下载
SOLO_R50_3x	是	77ms	35.8	下载
SOLO_R101_3x	是	86ms	37.1	下载
Decoupled_SOLO_R50_1x	否	85ms	33.9	下载
Decoupled_SOLO_R50_3x	是	85ms	36.4	下载
Decoupled_SOLO_R101_3x	是	92ms	37.9	下载
SOLOv2_R50_1x	否	54ms	34.8	下载
SOLOv2_R50_3x	是	54ms	37.5	下载
SOLOv2_R101_3x	是	66ms	39.1	下载
SOLOv2_R101_DCN_3x	是	97ms	41.4	下载
SOLOv2_X101_DCN_3x	是	169ms	42.4	下载

轻量级模型:

模型	多尺度训练	测试时间 / 图像	AP (minival)	链接
Decoupled_SOLO_Light_R50_3x	是	29ms	33.0	下载
Decoupled_SOLO_Light_DCN_R50_3x	是	36ms	35.0	下载
SOLOv2_Light_448_R18_3x	是	19ms	29.6	下载
SOLOv2_Light_448_R34_3x	是	20ms	32.0	下载
SOLOv2_Light_448_R50_3x	是	24ms	33.7	下载
SOLOv2_Light_512_DCN_R50_3x	是	34ms	36.4	下载

免责声明:

安装完成后，您可以下载提供的模型并使用inference_demo.py运行快速演示。

./tools/dist_train.sh ${CONFIG_FILE} ${GPU_NUM}

示例: 
./tools/dist_train.sh configs/solo/solo_r50_fpn_8gpu_1x.py  8

python tools/train.py ${CONFIG_FILE}