#OpenMMLab

MMOCR是一个基于PyTorch和mmdetection的开源工具箱，提供全面的文本检测、文本识别及信息提取解决方案。它支持多种先进模型和模块化设计，允许用户自定义优化器、数据预处理和模型组件。最新版本v1.0.0新增支持SCUT-CTW1500、SynthText和MJSynth数据集，更新了FAQ和文档，并添加了新教程笔记本。适用于PyTorch 1.6+，欢迎研究人员和开发者贡献改进。

MMAction2为基于PyTorch的开源视频理解工具箱，涵盖动作识别、动作定位、时空动作检测等多种任务。项目特点包括模块化设计、丰富的模型库以及详尽文档，支持灵活的自定义配置。

MMSegmentation是基于PyTorch的开源语义分割框架，提供模块化设计和统一基准，支持多种算法。最新v1.2.0版本新增开放词汇语义分割和单目深度估计功能，提升训练效率和快速部署体验。

MMDetection是一款专为目标检测、实例分割和全景分割任务设计的工具箱，采用模块化设计，支持多种检测任务，具备高效GPU运算能力。其性能与其他顶级代码库相媲美，且不断保持前沿。结合COCO挑战赛冠军经验，MMDetection提供先进的检测结果，并与MMEngine和MMCV无缝整合，进一步提升研究和应用效果。最新的RTMDet模型在参数-准确率优化及实时实例分割和旋转目标检测上表现出色。

PPLNN是一款高效的深度学习推理引擎，兼容各种ONNX模型，并对OpenMMLab进行了优化。其最新的LLM引擎包括闪存注意力、分裂K注意力、动态批处理和张量并行等功能，并支持INT8分组和通道量化。项目发布了多个LLM模型，如LLaMA、ChatGLM和Baichuan，并提供详细的构建和集成指南。

MMPreTrain是基于PyTorch的开源预训练工具箱，提供丰富的训练策略和高效的模型分析工具。支持多种主干网络和预训练模型，如VGG、ResNet、Vision-Transformer等。具备强大的扩展性和高效性，适用于图像分类、图像描述、视觉问答等多种推理任务。最新版本v1.2.0增加了对LLaVA 1.5和RAM的支持，并提供Gradio界面。适用于多模态学习和自监督学习，支持大规模训练配置。提供详细的安装和教程文档，帮助用户快速入门。

MMYOLO是一个基于PyTorch和MMDetection的开源工具包，专注于YOLO系列算法，适用于对象检测和旋转对象检测任务。该项目提供统一的基准测试、详细文档和模块化设计，便于用户构建和扩展模型。支持YOLOv5实例分割和YOLOX-Pose等功能，显著提升训练速度，并在RTMDet模型上实现了先进的性能。

MMDeploy是一个开源的深度学习模型部署工具，支持OpenMMLab的各类模型库。该工具集成了多种推理后端，兼容Linux、Windows、macOS和Android等操作系统。提供灵活可扩展的C/C++ SDK框架，支持模型转换、配置编写、性能剖析和量化。详尽文档指导简化了模型部署过程，使其更加高效。

MMEngine是基于PyTorch的深度学习模型训练基础库，作为OpenMMLab代码库的训练引擎。它集成主流大规模模型训练框架，支持混合精度训练等多种策略，提供友好的配置系统和主流监控平台支持。MMEngine不仅适用于OpenMMLab项目，还可广泛应用于其他深度学习项目。

MIM为OpenMMLab项目提供统一的管理接口，简化了包的安装卸载和模型库管理。它通过统一入口点简化了训练、测试和推理过程，并支持自定义项目构建和网格搜索，提高了开发效率和实验灵活性。

MMCV是一个开源的计算机视觉基础库，提供图像和视频处理、数据转换、CNN架构等功能。支持多平台，包括Linux、Windows和macOS。库中包含高质量的CPU和CUDA操作实现，并提供完整版和精简版两种安装选项。MMCV需要Python 3.7+环境，与PyTorch深度学习框架兼容。

MMPose是基于PyTorch的开源姿态估计工具箱，支持2D多人人体姿态估计、手部姿态估计等多种主流任务。该工具箱实现了多个先进的深度学习模型，在训练速度和准确性方面表现出色。MMPose支持COCO、MPII等多个数据集，提供详细文档和API参考。其模块化设计便于用户构建自定义的姿态估计框架，适用于相关研究与应用开发。