新闻: 我们在 ArXiv 上公开了技术报告。
文档: https://mmdetection.readthedocs.io/
English | 简体中文
MMDetection 是一个基于 PyTorch 的目标检测开源工具箱。它是 OpenMMLab 项目的一部分。
主分支代码目前支持 PyTorch 1.3 以上的版本。
v1.x 的历史版本支持 PyTorch 1.1 到 1.4，但是我们强烈建议用户使用新的 2.x 的版本，新的版本速度更快，性能更高，有更优雅的代码设计，对用户使用也更加友好。
-
模块化设计
MMDetection 将检测框架解耦成不同的模块组件，通过组合不同的模块组件，用户可以便捷地构建自定义的检测模型
-
丰富的即插即用的算法和模型
MMDetection 支持了众多主流的和最新的检测算法，例如 Faster R-CNN，Mask R-CNN，RetinaNet 等。
-
速度快
基本的框和 mask 操作都实现了 GPU 版本，训练速度比其他代码库更快或者相当，包括 Detectron2, maskrcnn-benchmark 和 SimpleDet。
-
性能高
MMDetection 这个算法库源自于 COCO 2018 目标检测竞赛的冠军团队 MMDet 团队开发的代码，我们在之后持续进行了改进和提升。
除了 MMDetection 之外，我们还开源了计算机视觉基础库 MMCV，MMCV 是 MMDetection 的主要依赖。
该项目采用 Apache 2.0 开源许可证。
最新的月度版本 v2.14.0 在 2021.06.29 发布。 如果想了解更多版本更新细节和历史信息，请阅读更新日志。 在兼容性说明文档中我们提供了 1.x 和 2.0 版本的详细比较。
测试结果和模型可以在模型库中找到。
已支持的骨干网络：
- ResNet (CVPR'2016)
- ResNeXt (CVPR'2017)
- VGG (ICLR'2015)
- HRNet (CVPR'2019)
- RegNet (CVPR'2020)
- Res2Net (TPAMI'2020)
- ResNeSt (ArXiv'2020)
已支持的算法：
- RPN (NeurIPS'2015)
- Fast R-CNN (ICCV'2015)
- Faster R-CNN (NeurIPS'2015)
- Mask R-CNN (ICCV'2017)
- Cascade R-CNN (CVPR'2018)
- Cascade Mask R-CNN (CVPR'2018)
- SSD (ECCV'2016)
- RetinaNet (ICCV'2017)
- GHM (AAAI'2019)
- Mask Scoring R-CNN (CVPR'2019)
- Double-Head R-CNN (CVPR'2020)
- Hybrid Task Cascade (CVPR'2019)
- Libra R-CNN (CVPR'2019)
- Guided Anchoring (CVPR'2019)
- FCOS (ICCV'2019)
- RepPoints (ICCV'2019)
- Foveabox (TIP'2020)
- FreeAnchor (NeurIPS'2019)
- NAS-FPN (CVPR'2019)
- ATSS (CVPR'2020)
- FSAF (CVPR'2019)
- PAFPN (CVPR'2018)
- Dynamic R-CNN (ECCV'2020)
- PointRend (CVPR'2020)
- CARAFE (ICCV'2019)
- DCNv2 (CVPR'2019)
- Group Normalization (ECCV'2018)
- Weight Standardization (ArXiv'2019)
- OHEM (CVPR'2016)
- Soft-NMS (ICCV'2017)
- Generalized Attention (ICCV'2019)
- GCNet (ICCVW'2019)
- Mixed Precision (FP16) Training (ArXiv'2017)
- InstaBoost (ICCV'2019)
- GRoIE (ICPR'2020)
- DetectoRS (ArXix'2020)
- Generalized Focal Loss (NeurIPS'2020)
- CornerNet (ECCV'2018)
- Side-Aware Boundary Localization (ECCV'2020)
- YOLOv3 (ArXiv'2018)
- PAA (ECCV'2020)
- YOLACT (ICCV'2019)
- CentripetalNet (CVPR'2020)
- VFNet (ArXix'2020)
- DETR (ECCV'2020)
- Deformable DETR (ICLR'2021)
- CascadeRPN (NeurIPS'2019)
- SCNet (AAAI'2021)
- AutoAssign (ArXix'2020)
- YOLOF (CVPR'2021)
- Seasaw Loss (CVPR'2021)
- CenterNet (CVPR'2019)
我们在基于 MMDetection 的项目中列举了一些其他的支持的算法。
请参考快速入门文档进行安装。
请参考快速入门文档学习 MMDetection 的基本使用。 我们提供了 colab 教程，也为新手提供了完整的运行教程，分别针对已有数据集和新数据集 完整的使用指南
我们也提供了一些进阶教程，内容覆盖了 finetune 模型，增加新数据集支持，设计新的数据预处理流程，增加自定义模型，增加自定义的运行时配置，常用工具和脚本。
如果遇到问题，请参考 FAQ 页面。
我们感谢所有的贡献者为改进和提升 MMDetection 所作出的努力。请参考贡献指南来了解参与项目贡献的相关指引。
MMDetection 是一款由来自不同高校和企业的研发人员共同参与贡献的开源项目。我们感谢所有为项目提供算法复现和新功能支持的贡献者，以及提供宝贵反馈的用户。 我们希望这个工具箱和基准测试可以为社区提供灵活的代码工具，供用户复现已有算法并开发自己的新模型，从而不断为开源社区提供贡献。
如果你在研究中使用了本项目的代码或者性能基准，请参考如下 bibtex 引用 MMDetection。
@article{mmdetection,
title = {{MMDetection}: Open MMLab Detection Toolbox and Benchmark},
author = {Chen, Kai and Wang, Jiaqi and Pang, Jiangmiao and Cao, Yuhang and
Xiong, Yu and Li, Xiaoxiao and Sun, Shuyang and Feng, Wansen and
Liu, Ziwei and Xu, Jiarui and Zhang, Zheng and Cheng, Dazhi and
Zhu, Chenchen and Cheng, Tianheng and Zhao, Qijie and Li, Buyu and
Lu, Xin and Zhu, Rui and Wu, Yue and Dai, Jifeng and Wang, Jingdong
and Shi, Jianping and Ouyang, Wanli and Loy, Chen Change and Lin, Dahua},
journal= {arXiv preprint arXiv:1906.07155},
year={2019}
}
- MMCV: OpenMMLab 计算机视觉基础库
- MMClassification: OpenMMLab 图像分类工具箱
- MMDetection: OpenMMLab 目标检测工具箱
- MMDetection3D: OpenMMLab 新一代通用 3D 目标检测平台
- MMSegmentation: OpenMMLab 语义分割工具箱
- MMAction2: OpenMMLab 新一代视频理解工具箱
- MMTracking: OpenMMLab 一体化视频目标感知平台
- MMPose: OpenMMLab 姿态估计工具箱
- MMEditing: OpenMMLab 图像视频编辑工具箱
- MMOCR: OpenMMLab 全流程文字检测识别理解工具包
- MMGeneration: OpenMMLab 图片视频生成模型工具箱
扫描下方的二维码可关注 OpenMMLab 团队的 知乎官方账号，加入 OpenMMLab 团队的 官方交流 QQ 群
我们会在 OpenMMLab 社区为大家
- 📢 分享 AI 框架的前沿核心技术
- 💻 解读 PyTorch 常用模块源码
- 📰 发布 OpenMMLab 的相关新闻
- 🚀 介绍 OpenMMLab 开发的前沿算法
- 🏃 获取更高效的问题答疑和意见反馈
- 🔥 提供与各行各业开发者充分交流的平台
干货满满 📘，等你来撩 💗，OpenMMLab 社区期待您的加入 👬