OpenMMLab website

OpenMMLab — это платформа с открытым исходным кодом для разработки и обучения моделей компьютерного зрения. На сайте вы найдёте документацию, инструменты и ресурсы для исследователей и разработчиков в области машинного обучения.

OpenMMLab platform

Платформа OpenMMLab предлагает инструменты и ресурсы для разработчиков и исследователей в области компьютерного зрения. Здесь вы можете попробовать платформу в действии, а также найти документацию и другие полезные материалы.

📘Документация, 🛠️Установка, 👀Модельный зоопарк, 🤔Сообщение о проблемах.

Введение

MMFlow — это набор инструментов для оптического потока на основе PyTorch с открытым исходным кодом. Это часть проекта OpenMMLab.

В основной ветке работает с PyTorch 1.5+.

Основные функции

• Первая унифицированная структура для оптического потока

  MMFlow — первый набор инструментов, предоставляющий структуру для унифицированной реализации и оценки алгоритмов оптического потока.

• Гибкая и модульная конструкция

  Мы разделяем структуру оценки потока на различные компоненты, что делает создание новой модели путём объединения различных модулей намного проще и гибче.

• Множество алгоритмов и наборов данных из коробки

  Набор инструментов напрямую поддерживает популярные и современные модели оптического потока, такие как FlowNet, PWC-Net, RAFT и т. д., а также репрезентативные наборы данных, такие как FlyingChairs, FlyingThings3D, Sintel, KITTI и т. д.

Что нового

Версия v0.5.2 была выпущена 01.10.2023:

— Добавлен поток внимания 1d.

Пожалуйста, обратитесь к changelog.md для получения подробной информации и истории выпусков.

Установка

Пожалуйста, обратитесь к install.md для установки и руководству в dataset_prepare по подготовке набора данных.

Начало работы

Если вы новичок в оптическом потоке, вы можете начать с изучения основ. Если вы знакомы с ним, ознакомьтесь с getting_started, чтобы опробовать MMFlow.

Обратитесь к следующим руководствам, чтобы углубиться:

• config;

• model inference;

• fine tuning;

• data pipeline;

• add new modules;

• customized runtime.

Бенчмарк и модельный зоопарк

Результаты и модели доступны в модельном зоопарке.

Поддерживаемые методы:

• FlowNet (ICCV'2015);

• FlowNet2 (CVPR'2017);

• PWC-Net (CVPR'2018);

• LiteFlowNet (CVPR'2018);

• LiteFlowNet2 (TPAMI'2020);

• IRR (CVPR'2019);

• MaskFlownet (CVPR'2020);

• [RAFT].