English | 简体中文
📄 目录
🥳 🚀 最新动态 🔝
💎 v0.6.0 于2023年8月15日发布:
- 支持 YOLOv5 实例分割
- 支持基于 MMPose 的 YOLOX-Pose
- 添加 15 分钟实例分割教程。
- YOLOv5 支持使用掩码注释优化边界框
- 添加多尺度训练和测试文档
发布历史和更新详情,请参考 更新日志。
✨ 亮点 🔝
我们非常高兴地宣布我们在实时物体识别任务上的最新工作,RTMDet,一种全卷积单阶段检测器家族。RTMDet 不仅在从小型到超大型模型尺寸的物体检测中实现了最佳的参数-准确性平衡,还在实例分割和旋转物体检测任务上取得了新的最先进性能。详情请参见 技术报告。预训练模型在 此处。
任务 | 数据集 | AP | FPS(TRT FP16 BS1 3090) |
---|---|---|---|
目标检测 | COCO | 52.8 | 322 |
实例分割 | COCO | 44.6 | 188 |
旋转目标检测 | DOTA | 78.9(单尺度)/81.3(多尺度) | 121 |
MMYOLO当前实现了目标检测和旋转目标检测算法,但与MMDetection版本相比,它具有显著的训练加速。训练速度比上一版本提高了2.6倍。
📖 简介 🔝
MMYOLO是一个基于PyTorch和MMDetection的开源YOLO系列算法工具箱。它是OpenMMLab项目的一部分。
master分支支持PyTorch 1.6+。
主要特点
-
🕹️ 统一且便捷的基准
MMYOLO统一了各种YOLO算法模块的实现并提供统一的基准。用户可以用一种公平便捷的方式进行比较和分析。
-
📚 丰富详细的文档
MMYOLO提供了丰富的入门指南、模型部署、高级用法和算法分析文档,使不同水平的用户能够快速上手并进行扩展。
-
🧩 模块化设计
MMYOLO将框架分解为不同的组件,用户可以通过结合不同模块以及各种训练和测试策略轻松自定义模型。
而P6模型的图在model_design.md。
🛠️ 安装 🔝
MMYOLO依赖于PyTorch、MMCV、MMEngine和MMDetection。下面是快速安装步骤。请参考安装指南以获取更详细的说明。
conda create -n mmyolo python=3.8 pytorch==1.10.1 torchvision==0.11.2 cudatoolkit=11.3 -c pytorch -y
conda activate mmyolo
pip install openmim
mim install "mmengine>=0.6.0"
mim install "mmcv>=2.0.0rc4,<2.1.0"
mim install "mmdet>=3.0.0,<4.0.0"
git clone https://github.com/open-mmlab/mmyolo.git
cd mmyolo
# 安装albumentations
pip install -r requirements/albu.txt
# 安装MMYOLO
mim install -v -e .
👨🏫 教程 🔝
MMYOLO基于MMDetection,并采用相同的代码结构和设计方法。为了更好地使用,请阅读MMDetection概述以首次了解MMDetection。
MMYOLO的用法几乎与MMDetection相同,所有教程都易于使用,您也可以学习MMDetection用户指南和高级指南。
对于与MMDetection不同的部分,我们也准备了用户指南和高级指南,请阅读我们的文档。
推荐主题
常见用法
实用工具
- [浏览 coco json](docs/en/useful_tools/browse_coco_json.md) - [浏览数据集](docs/en/useful_tools/browse_dataset.md) - [打印配置](docs/en/useful_tools/print_config.md) - [数据集分析](docs/en/useful_tools/dataset_analysis.md) - [优化锚点](docs/en/useful_tools/optimize_anchors.md) - [提取 subcoco](docs/en/useful_tools/extract_subcoco.md) - [可视化调度器](docs/en/useful_tools/vis_scheduler.md) - [数据集转换器](docs/en/useful_tools/dataset_converters.md) - [下载数据集](docs/en/useful_tools/download_dataset.md) - [日志分析](docs/en/useful_tools/log_analysis.md) - [模型转换器](docs/en/useful_tools/model_converters.md)高级教程
📊 基准和模型库概述 🔝
结果和模型可以在模型库中查看。
支持任务
- 目标检测
- 旋转目标检测
支持的数据集
- COCO 数据集
- VOC 数据集
- CrowdHuman 数据集
- DOTA 1.0 数据集
骨干网络 | 颈部 | 损失 | 常见 |
|
|
|
|
❓ 常见问题 🔝
请参阅常见问题了解常见问题的解答。
🙌 贡献 🔝
我们感谢所有对改进 MMYOLO 做出贡献的人。当前项目可以在我们的GitHub 项目中找到。欢迎社区用户参与这些项目。请参阅CONTRIBUTING.md获取贡献指南。
🤝 感谢 🔝
MMYOLO 是一个开源项目,由各大高校和公司的研究人员和工程师贡献。我们感谢所有实现其方法或添加新功能的贡献者,以及提供宝贵反馈的用户。希望这个工具箱和基准能够通过提供一个灵活的工具包来重新实现现有方法并开发自己的新检测器,为不断发展的研究社区服务。
🖊️ 引用 🔝
如果您在研究中发现此项目有用,请考虑引用:
@misc{mmyolo2022,
title={{MMYOLO: OpenMMLab YOLO} 系列工具箱和基准},
author={MMYOLO Contributors},
howpublished = {\url{https://github.com/open-mmlab/mmyolo}},
year={2022}
}
🎫 许可证 🔝
此项目根据GPL 3.0 许可证发布。
🏗️ OpenMMLab 的项目 🔝
- MMEngine: OpenMMLab 的深度学习模型训练基础库。
- MMCV: OpenMMLab 的计算机视觉基础库。
- MMPreTrain: OpenMMLab 的预训练工具箱和基准。
- MMagic: OpenMMLab Advanced,Generative 和 Intelligent Creation 工具箱。
- MMDetection: OpenMMLab 的检测工具箱和基准。
- MMDetection3D: OpenMMLab 的新一代通用 3D 物体检测平台。
- MMRotate: OpenMMLab 的旋转物体检测工具箱和基准。
- MMYOLO: OpenMMLab 的 YOLO 系列工具箱和基准。
- MMSegmentation: OpenMMLab 的语义分割工具箱和基准。
- MMOCR: OpenMMLab 的文本检测、识别和理解工具箱。
- MMPose: OpenMMLab 的姿态估计工具箱和基准。
- MMHuman3D: OpenMMLab 的 3D 人体参数模型工具箱和基准。
- MMSelfSup: OpenMMLab 的自监督学习工具箱和基准。
- MMRazor: OpenMMLab 的模型压缩工具箱和基准。
- MMFewShot: OpenMMLab 的小样本学习工具箱和基准。
- MMAction2: OpenMMLab 的新一代动作理解工具箱和基准。
- MMTracking: OpenMMLab 的视频感知工具箱和基准。
- MMFlow: OpenMMLab 的光流工具箱和基准。
- MMEditing: OpenMMLab 的图像和视频编辑工具箱。
- MMGeneration: OpenMMLab 的图像和视频生成模型工具箱。
- MMDeploy: OpenMMLab 的模型部署框架。
- MIM: MIM 安装 OpenMMLab 套件。
- MMEval: OpenMMLab 的机器学习评估库。
- Playground: 一个聚集和展示基于 OpenMMLab 构建的精彩项目的中心平台。