MIMDet - 掩码图像建模应用于目标检测的开源项目

项目介绍：MIMDet

MIMDet是一个专注于目标检测的项目，其主要特点是在视觉任务中应用“掩码图像建模”技术。该项目的创新之处在于充分挖掘Vanilla Vision Transformer（ViT）的潜力，实现高性能的物体理解，例如目标检测和实例分割。

项目背景

MIMDet的基础是视觉变压器（Vision Transformer, ViT），这是近年来在计算机视觉领域逐渐受到关注的一种新型网络结构。通过结合掩码图像建模技术（Masked Image Modeling, MIM），研究人员开发出了一种新的架构，该架构能在ViT上进行预训练，从而提升其在复杂场景下的物体识别能力。

项目特点

创新的混合架构：MIMDet使用了一种称为“ConvNet-ViT混合”的架构。该架构通过在ViT的基础上加入随机初始化的紧凑卷积干，并与ViT共同作为检测器的“骨架”使用。这样不仅保持了高效的特征提取，也保证了多尺度的特征表示。
适应性强的部分观察：即使在只利用25%到50%输入嵌入的部分观察条件下，MIMDet预训练的ViT编码器也能表现出色。这得益于其对复杂目标和场景的优秀识别能力。
强大的性能表现：在COCO数据集上，使用ViT-Base与Mask R-CNN FPN结合的MIMDet模型取得了51.7的框AP（Average Precision）和46.2的掩码AP，而使用ViT-L则获得了54.3的框AP和48.2的掩码AP。
可扩展性：MIMDet还提供了对“Benchmarking Detection Transfer Learning with Vision Transformers”论文的非官方实现，成功再现其结果，展现了项目在迁移学习任务上的应用前景。

技术实现

环境要求

操作系统：Linux
Python：3.7以上
CUDA：10.2以上
GCC：5以上

准备步骤

代码克隆：

git clone https://github.com/hustvl/MIMDet.git
cd MIMDet

设置环境：创建并激活一个名为mimdet的conda虚拟环境：
```
conda create -n mimdet python=3.9
conda activate mimdet
```
安装依赖：
- 安装特定版本的PyTorch和其它必要的库，如Detectron2、timm，以及einops。
- 准备COCO数据集，按照Detectron2的方式组织数据目录。

模型训练与推理

下载MAE预训练模型的完整检查点并进行训练。

单机或多机训练：

python lazyconfig_train_net.py --config-file <CONFIG_FILE> --num-gpus <GPU_NUM> mae_checkpoint.path=<MAE_MODEL_PATH>

推理：

python lazyconfig_train_net.py --config-file <CONFIG_FILE> --num-gpus <GPU_NUM> --eval-only train.init_checkpoint=<MODEL_PATH>

该项目的开发基于MAE、Detectron2、以及timm等开源项目，极大地借鉴了这些项目的优良特性并进行了创新性的拓展和应用。MIMDet项目在目标检测领域的成功应用展示了其前沿科技的潜力，为进一步的发展提供了基础。