QueryInst

QueryInst

简洁高效的实例分割策略

QueryInst是一种由动态掩码头并行监督驱动的查询实例分割方法,在准确性和速度上具有显著优势。该项目涵盖对象检测、实例分割和视频实例分割等多种实例级别识别任务,并提供详细的功能介绍和模型训练指导。目前本项目仍在积极开发中,计划扩展至更多实例级别识别任务。

QueryInst实例分割mmdetectionCOCO数据集目标检测Github开源项目

项目介绍:QueryInst

概述

QueryInst 是一种基于查询的实例分割方法,其设计通过动态掩码头的平行监督驱动。该方法的突出特点是其简洁性与高效性,在准确性和速度上均超越了以往的技术。QueryInst 在2021年的国际计算机视觉会议(ICCV 2021)中正式亮相,并迅速成为实例分割任务中的热门工具。项目基于 mmdetection 开发,后继续于 Cityscapes 和 YouTube-VIS 等拓展。

项目的关键特点

  1. 创新的方法

    • QueryInst 提出了将实例视作查询的新思路,使得实例识别任务与传统方法相比在性能上更具竞争力。
    • 这种方法特别在大规模视频对象分割挑战赛中表现出色,以单模型、单尺度测试解决方案取得第二名。
  2. 性能表现

    • QueryInst 在多个对象识别任务中展示出优异的性能,包括对象检测、实例分割和视频实例分割。
    • 项目提供了多种配置文件,用户可以根据需求选择合适的模型进行训练与测试。
  3. 灵活的实现

    • QueryInst 同时支持多GPU以及单GPU训练和测试,方便不同计算资源条件的开发者使用。
    • 该项目支持基于 Swin-Transformer 和 Test-Time-Augmentation 的特性,进一步提升模型的效果。

实验结果

在 COCO 数据集上的测试中,QueryInst 各种配置都显示出色的表现,比如在使用 Swin_Large 的配置下,单模型、单尺度测试下的 Box AP 达到了 56.1,而 Mask AP 则为 49.1。

快速上手

  1. 安装

    • QueryInst 建立在 mmdetection 工具箱之上,用户需先行安装 mmdetection。
    • 使用 python setup.py develop 来安装 QueryInst。
  2. 数据准备

    • 创建并进入数据目录后,链接到 COCO 数据集合适路径。
  3. 训练与测试

    • 单 GPU 训练:python tools/train.py [CONFIG_PATH]
    • 多 GPU 训练:./tools/dist_train.sh [CONFIG_PATH] [NUM_GPUS]
    • 单 GPU 测试:python tools/test.py [CONFIG_PATH] [CHECKPOINT_PATH] --eval bbox segm
    • 多 GPU 测试:./tools/dist_test.sh [CONFIG_PATH] [CHECKPOINT_PATH] [NUM_GPUS] --eval bbox segm

开发计划

该项目正在积极扩展中,目前已包括 Swin-Transformer 和预训练权重等功能,即将推出的是针对 Cityscapes 和 YouTube-VIS 的配置。

引用

如果您觉得 QueryInst 对您的研究或项目有帮助,可以引用以下的论文:

@InProceedings{Fang_2021_ICCV, author = {Fang, Yuxin and Yang, Shusheng and Wang, Xinggang and Li, Yu and Fang, Chen and Shan, Ying and Feng, Bin and Liu, Wenyu}, title = {Instances As Queries}, booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)}, month = {October}, year = {2021}, pages = {6910-6919} } @article{QueryTrack, title={Tracking Instances as Queries}, author={Yang, Shusheng and Fang, Yuxin and Wang, Xinggang and Li, Yu and Shan, Ying and Feng, Bin and Liu, Wenyu}, journal={arXiv preprint arXiv:2106.11963}, year={2021} }

随着技术的不断发展,相信 QueryInst 会在实例识别领域继续带来更多的创新和惊喜。

编辑推荐精选

openai-agents-python

openai-agents-python

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。

Hunyuan3D-2

Hunyuan3D-2

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。

3FS

3FS

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。

TRELLIS

TRELLIS

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。

ai-agents-for-beginners

ai-agents-for-beginners

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。

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。

下拉加载更多