MMDetection目標檢測工具箱

2021-02-08 科技online

MMDetection是基於深度學習的目標檢測算法框架，使用MMDetection能快速搭建目標檢測網絡，實現目標檢測。本文將介紹MMDetection：

MMDetection，包含一組豐富的對象檢測和實例細分方法以及相關的組件和模塊。它不僅包括訓練和推理代碼，還為200多個網絡模型提供權重。該工具箱是迄今為止最完整的檢測工具箱。

主要特點

模塊化設計我們將檢測框架分解為不同的組件，並且可以通過組合不同的模塊輕鬆構建定製的對象檢測框架。開箱即用地支持多種框架該工具箱直接支持流行和現代的檢測框架，例如 更快的RCNN，Mask RCNN，RetinaNet等高效率所有基本的bbox和mask操作都在GPU上運行。 訓練速度比其他代碼庫（包括Detectron2，maskrcnn-benchmark和SimpleDet）快或可比。最先進的該工具箱源自MMDet團隊開發的代碼庫，該團隊在2018年贏得了COCO檢測挑戰賽的冠軍，我們一直在推動它向前發展。除了MMDetection之外，我們還發布了mmcv庫用於計算機視覺研究，該庫在很大程度上依賴於此工具箱。更多細節請關注github MMDetection

相關焦點

  • mmdetection目標檢測框架安裝與測試
    一、mmdetection簡介項目地址：https://github.com/open-mmlab/mmdetection
  • MMDetection環境搭建與安裝教程
    點擊上方「海邊的拾遺者」，選擇「星標」公眾號第一時間獲取價值內容MMDetection是商湯和港中文大學聯合開源的基於PyTorch的目標檢測工具箱，支持Faster-RCNN，Mask-RCNN等主流目標檢測框架。
  • 目標檢測三大開源神器:Detectron2/mmDetectron/SimpleDet
    ，大家可以看這篇文章感受一下：一文看盡16篇目標檢測最新論文（ATSS/MnasFPN/SAPD/CSPNet/DIoU Loss等） 其實很多同學並沒有時間看論文，或者說細讀論文。本文就將介紹目標檢測（Object Detection）三個最為知名、關注度最高的開源神器，其實也可以稱為工具箱(Toolkit)，再俗氣一點，就是"造輪子"神器。
  • MMDetection V2.0來了!更快更強的通用目標檢測平臺
    https://github.com/open-mmlab/mmdetection太長不看版：經過對模型各個組件的重構和優化，我們全面提升了 MMDetection 的速度和精度，達到了現有檢測框架中的最優水平。通過更細粒度的模塊化設計，MMDetection 的任務拓展性大大增強，成為了檢測相關項目的基礎平臺。同時對文檔和教程進行了完善，增強用戶體驗。
  • PaddleDetection目標檢測套件
    軟硬體環境簡介引用官方的項目介紹PaddleDetection飛槳目標檢測開發套件，旨在幫助開發者更快更好地完成檢測模型的組建、訓練、優化及部署等全開發流程。PaddleDetection模塊化地實現了多種主流目標檢測算法，提供了豐富的數據增強策略、網絡模塊組件（如骨幹網絡）、損失函數等，併集成了模型壓縮和跨平臺高性能部署能力。經過長時間產業實踐打磨，PaddleDetection已擁有順暢、卓越的使用體驗，被工業質檢、遙感圖像檢測、無人巡檢、新零售、網際網路、科研等十多個行業的開發者廣泛應用。
  • 開源 | 商湯聯合港中文開源 mmdetection
    ，這是一個基於 PyTorch 的開源目標檢測工具包，屬於香港中文大學多媒體實驗室 open-mmlab 項目的一部分。該工具包支持 Mask RCNN 等多種流行的檢測框架，讀者可在 PyTorch 環境下測試不同的預訓練模型及訓練新的檢測分割模型。
  • MMDetection v2.0 訓練自己的數據集
    1 新建容器進入正題 mmdetection docker環境上次已經介紹一次了 ，現在我們新建一個容器sudo nvidia-docker run -shm-size=8g -name mm_det -it -v /train_data:/mmdetection/datanvidia-docker：新建容器能調用GPU
  • 目標檢測四大開源神器:Detectron2/mmDetectron/darknet/SimpleDet
    大家反映內容很棒，不少同學開始用起來這些目標檢測工具，不管用於發Paper還是做項目。如今過去半年多，目標檢測領域發展迅速，Amusi 再次系統調研現在開源的目標檢測神器。同時也有很多同學開始入坑目標檢測，希望此文可以有所幫助，避免踩坑！
  • mmdetection專題之詳解hook機制
    本文是CV檢測第二篇，面向對象是【mmdetection hook機制】，其他精彩內容請移步菜單欄。mmdetection專題旨在分析mmdetection的框架邏輯，主要從註冊器、HOOK機制等幾個非常重要的機制來看mmdetection的整體邏輯。mmdetection是一款優秀的基於PyTorch的開源目標檢測系統，由香港中文大學(CUHK)多媒體實驗室(mmlab)開發。
  • mmdetection最小復刻版(一):整體概覽
    mmdetection的最小實現版本簡稱 mmdetection-mini。其實不然，基於我目前的理解，出於一下幾點原因：學習目的 mmdetection無疑是非常優異的目標檢測框架，但是其整個框架代碼其實非常多。我希望通過從0構建整個結構，來徹底熟悉整個框架，而不是僅僅熟悉算法部分。
  • 香港中文大學多媒體實驗室 | 開源視頻目標檢測&跟蹤平臺(附源碼下載)
    MMDetection是商湯科技（2018 COCO 目標檢測挑戰賽冠軍）和香港中文大學開源的一個基於Pytorch實現的深度學習目標檢測工具箱。新年2021年，香港中文大學多媒體實驗室（MMLab）OpenMMLab 又研究並貢獻新的平臺工具，發布了一款一體化視頻目標感知平臺MMTracking。該框架基於PyTorch寫成，支持單目標跟蹤、多目標跟蹤與視頻目標檢測，目前已開源。我們開始詳細分下下。
  • MMDetection新版本V2.7發布,支持DETR,還有YOLOV4在路上!
    最近CV界最大的新聞就是transformer的應用，這其中最火的就是Facebook提出的基於transformer的目標檢測模型DETR（https
  • Kaggle實戰目標檢測奇淫技巧合集
    這裡分享一下我總結的一些目標檢測中會用到的 「奇淫技巧」，牽扯到代碼的我就直接拿 mmdetection[1] 來舉例了，修改起來比較簡單。1.再一點就是使用 coco 預訓練的完整檢測模型權重，這樣的效果就是模型收斂速度賊快，而且效果一般都比較好，也是大家最常用的方法，這裡給出 mmdetection 修改 coco 預訓練權重類別數的腳本：# for cascade rcnnimport torchnum_classes = 21model_coco = torch.load
  • 如何用PaddleDetection做一個完整的目標檢測項目
    針對不同的業務場景（性能、目標大小、準確率等）可以選擇框架中的不同模塊組合得到最適合的模型，實現任務。相比於tensorflow的Object_Detection,優勢之一就是將YOLOv3這一目標檢測的快速算法融合到了框架下。文章將以一個Yolov3識別水果的例子為說明，詳解如何利用PaddleDetection完成一個項目。
  • 【乾貨】目標檢測(Object Detection)和目標跟蹤(Object Tracking)的區別
    推薦閱讀時間：5min~10min主要內容：目標檢測（Object Detection）和目標跟蹤（Object Tracking）的區別在計算機視覺中，目標檢測是在圖像和視頻（一系列的圖像）中掃描和搜尋目標，概括來說就是在一個場景中對目標進行定位和識別，如下圖中展示的，我們要檢測圖像中的車輛，這就是典型的目標檢測實例
  • 綜述:在RGB-D圖像上進行目標檢測(Object detection in RGB-D images)
    ,根據構圖先驗和背景先驗的方法進行顯著目標檢測。本文根據論文先後發表的時間順序，帶大家速覽自2014年以來的，在RGB-D圖像上進行目標檢測的典型論文。>>加入極市CV技術交流群，走在計算機視覺的最前沿CNN（convolutional neural network）在目標檢測中大放異彩，R-CNN系列，YOLO，SSD各類優秀的方法層出不窮。在2D圖像的目標檢測上，不少學術界提出的框架已經投入商用。
  • TF Object Detection 終於支持TF2了!
    一直以來，大家最常用的目標檢測庫是港中文的mmdetection和Facebook的detectron2
  • 資源 | 一個基於PyTorch的目標檢測工具箱,商湯聯合港中文開源mmdetection
    近日，商湯和港中文聯合開源了 mmdetection，這是一個基於 PyTorch 的開源目標檢測工具包，屬於香港中文大學多媒體實驗室 open-mmlab
  • 港中文開源視頻動作分析庫MMAction,目標檢測庫算法大更新
    點擊文末「閱讀原文」立刻申請入群~本文轉載自公眾號：機器之心近日，香港中文大學多媒體實驗室（MMLab）OpenMMLab 發布動作識別和檢測庫 MMAction，同時也對去年發布的目標檢測工具箱 mmdetection 進行了升級，提供了一大批新的算法實現。
  • mmdetection最小復刻版(六):FCOS深入可視化分析
    Object Detection論文地址：https://arxiv.org/pdf/1904.01355v1.pdf官方代碼地址：https://github.com/aim-uofa/AdelaiDet/    FCOS是目前最經典優雅的一階段anchor-free目標檢測算法