Слияние кода завершено, страница обновится автоматически
Документация: https://mmsegmentation.readthedocs.io/en/latest/
Английский | Китайский (упрощённый)
Он является частью проекта OpenMMLab.
Основная ветка main работает с PyTorch 1.6+.
Мы рады объявить о выпуске официальной новой версии MMSegmentation! Для этой новой версии основная ветка — это main, а разработка происходит в ветке dev-1.x. Устойчивая ветка для предыдущего выпуска остается 0.x. Обратите внимание, что ветка master будет поддерживаться ограниченное время перед удалением. Мы рекомендуем вам быть внимательными при выборе веток и обновлении во время использования. Благодарим вас за вашу непреклонную поддержку и энтузиазм, и давайте вместе сделаем MMSegmentation ещё более надёжным и мощным! 💪
MMSegmentation версия 1.x привносит значительные улучшения по сравнению с версией 0.x, предлагая более гибкий и функциональный опыт. Чтобы использовать новые возможности в версии 1.x, мы приглашаем вас обратиться к нашему подробному 📚 руководству по миграции, которое поможет вам бесшовно перейти к новым проектам. Ваша поддержка бесценна, и мы с нетерпением ждём вашего отзыва!
Унифицированный бенчмарк
Мы предоставляем унифицированный набор инструментов для проведения бенчмарков различных методов семантического сегментирования.
Модульная конструкция
Мы декомпозируем семантическую сегментацию в различные компоненты, что позволяет легко создавать пользовательскую систему семантической сегментации путём комбинирования разных модулей.
Поддержка нескольких методов "из коробки"
Этот пакет поддерживает популярные и современные методы семантической сегментации, такие как PSPNet, DeepLabV3, PSANet, DeepLabV3+ и другие.
Высокая эффективность
Скорость обучения быстрее или равна скорости других кодовых баз.
Версия 1.2.0 была выпущена 10/12/2023; от 1.1.0 до Yöntemleri destekler.
Поддержка алгоритма семантического сегментирования с открытым словарием SAN
Поддержка задачи однооконечной глубинной оценки, подробнее см. VPD и Adabins.
Добавлены новые проекты: алгоритм семантического сегментирования с открытым словарием CAT-Seg, алгоритм реального времени семантического сегментирования PP-MobileSeg.## Установка
Для установки и подготовки данных обратитесь к get_started.md и dataset_prepare.md соответственно.
Общее введение в MMSegmentation доступно в разделе Overview.
Подробное руководство по использованию MMSegmentation представлено в разделе user guides. Также есть продвинутые туториалы для углубленного понимания дизайна и реализации mmseg.
Предоставлен также пример Jupyter Notebook на платформе Colab. Вы можете просмотреть ноутбук здесь или запустить его непосредственно здесь.
Для перехода с версий MMSegmentation 0.x обратитесь к разделу migration.## Туториал
| Начало работы | Основной учебник MMSeg | Подробный учебник MMSeg | Учебник по разработке MMSeg |
|
| Поддерживаемые основные сети | Поддерживаемые методы | Поддерживаемые головы | Поддерживаемые наборы данных | Другое |
|
|
Здесь представлены некоторые реализации моделей с использованием передовых методов и решений, созданных на основе MMSegmentation. Эти проекты поддерживаются и поддерживаемы сообществом пользователей. Они демонстрируют лучшие практики в области исследований и продукта развития на основе MMSegmentation. Мы приветствуем и ценим все вклады в экосистему OpenMMLab.
Мы ценим все вклады, направленные на улучшение MMSegmentation. Для руководства по вкладу обратитесь к CONTRIBUTING.md.
MMSegmentation — это открытый проект, который приветствует любые вклады и отзывы. Надеемся, что этот набор инструментов и бенчмарков сможет служить растущему научному сообществу, предоставляя гибкий и стандартизованный набор инструментов для переimplementing существующих методов и создания новых методов семантического сегментирования.
Если вы находите этот проект полезным для ваших исследований, пожалуйста, рассмотрите возможность цитирования:
@misc{mmseg2020,
title={{MMSegmentation}: OpenMMLab Semantic Segmentation Toolbox and Benchmark},
author={MMSegmentation Contributors},
howpublished = {\url{https://github.com/open-mmlab/mmsegmentation}},
year={2020}
}
Этот проект распространяется под лицензией Apache 2.0.## Семья OpenMMLab- MMEngine: Основная библиотека OpenMMLab для обучения глубоких моделей машинного обучения.
Вы можете оставить комментарий после Вход в систему
Неприемлемый контент может быть отображен здесь и не будет показан на странице. Вы можете проверить и изменить его с помощью соответствующей функции редактирования.
Если вы подтверждаете, что содержание не содержит непристойной лексики/перенаправления на рекламу/насилия/вульгарной порнографии/нарушений/пиратства/ложного/незначительного или незаконного контента, связанного с национальными законами и предписаниями, вы можете нажать «Отправить» для подачи апелляции, и мы обработаем ее как можно скорее.
Комментарии ( 0 )