Официальный сайт OpenMMLab ^ГОТОВО      Платформа OpenMMLab ^{ПОПРОБУЙТЕ}

 

📘Документация | 🛠️Инструкция по установке | 👀Модульная база данных | 🤔Сообщить о проблеме

Описание

MMRazor — это набор инструментов для сжатия моделей и автоматизации машинного обучения, который включает четыре основные технологии:

• Поиск архитектур сети (NAS)
• Обрезка модели
• Дистилляция знаний (KD)
• Квантование (будет выпущено в следующей версии)

MMRazor является частью проекта OpenMMLab.

Основные характеристики

• Совместимость

  MMRazor имеет аналогичную архитектурную концепцию, как и OpenMMLab, и реализует легкую связь между алгоритмами и задачами компьютерного зрения, поэтому легко применяться к другим проектам OpenMMLab.

• Гибкость

  Различные легковесные алгоритмы могут быть объединены в одну систему по принципу "все включено", что позволяет создавать более мощные системы.

• Удобство

  Благодаря лучшему модульному дизайну, разработчики могут реализовать новые легковесные алгоритмы с минимальной правкой кода или даже путём изменения конфигурационных файлов.

Ниже представлена общая схема проектирования и реализации MMRazor. Для получения более подробной информации обратитесь к руководству.

Журнал обновлений

💎 Устойчивая версия

MMRazor версия v0.3.1 была выпущена 4 мая 2022 года.### 🌟 Предварительная версия 1.x

MMRazor версия v1.0.0rc1 была выпущена 27 октября 2022 года.

• Основана на унифицированном интерфейсе MMEngine
• Новый фреймворк для стримлинии
• Поддерживает больше алгоритмов для обучения с отображением знаний и поиска архитектур нейронных сетей

Бенчмарки и модельные библиотеки

Результаты тестирования можно найти в модельной библиотеке.

Поддерживаемые алгоритмы:

Установка

MMRazor зависит от PyTorch и MMCV.

Для получения более подробных руководств по установке обратитесь к get_started.md.

Быстрый стартОбратитесь к train.md и test.md для базового использования MMRazor. Мы также предоставляем продвинутые учебные материалы:

• Обзор
• Узнайте о конфигах
• Настройте архитектуры
• Настройте алгоритмы NAS
• Настройте алгоритмы стримпинга
• Настройте алгоритмы KD
• Настройте смешанные алгоритмы с помощью наших компонент алгоритмов
• Примените существующие алгоритмы к другим задачам

Инструкция по вкладуМы благодарим всех участников за их усилия по улучшению и развитию MMRazor.

Для получения информации о том, как принять участие в проекте, пожалуйста, обратитесь к инструкциям по вкладу.

Благодарность

MMRazor — это открытый проект, над которым работают исследователи из различных университетов и компаний. Мы выражаем признательность всем участникам, которые предоставляют реализацию алгоритмов и новые возможности, а также пользователям, которые дают ценные отзывы. Наша цель — предоставить сообществу гибкий набор инструментов для воспроизведения существующих алгоритмов и создания новых методик сжатия моделей, что будет способствовать развитию открытого программного обеспечения.

Цитирование

Если вы считаете, что этот проект был полезен для вашего исследования, мы просим вас рассмотреть возможность цитирования:

@misc{2021mmrazor,
    title={Набор инструментов и тестирование модели сжатия от OpenMMLab},
    author={Участники проекта MMRazor},
    howpublished = {\url{https://github.com/open-mmlab/mmrazor}},
    year={2021}
}

Лицензия

Проект использует лицензию Apache 2.0.## Другие проекты OpenMMLab- MMCV: Базовая библиотека OpenMMLab для компьютерного зрения

• MIM: MIM — единственный вход для проектов, алгоритмов и моделей OpenMMLab
• MMClassification: Инструментарий OpenMMLab для классификации изображений
• MMDetection: Инструментарий OpenMMLab для детекции объектов
• MMDetection3D: Новая универсальная платформа OpenMMLab для 3D-детекции объектов
• MMRotate: Инструментарий OpenMMLab для детекции вращательных рамок с тестовым базисом
• MMSegmentation: Инструментарий OpenMMLab для сегментации изображений
• MMOCR: Инструментарий OpenMMLab для полной цепочки распознавания текста
• MMPose: Инструментарий OpenMMLab для оценки поз
• MMHuman3D: Инструментарий OpenMMLab для моделирования человеческого тела с тестовым базисом
• MMSelfSup: Инструментарий OpenMMLab для самообучающихся моделей с тестовым базисом
• MMRazor: Инструментарий OpenMMLab для сжатия моделей с тестовым базисом
• MMFewShot: Инструментарий OpenMMLab для обучения с малым количеством образцов с тестовым базисом
• MMAction2: Новый инструментарий OpenMMLab для понимания видео
• MMTracking): Унифицированная платформа OpenMMLab для видеонаблюдения за объектами
• MMFlow: Инструментарий OpenMMLab для оценки потока движения с тестовым базисом
• MMEditing: Инструментарий OpenMMLab для редактирования изображений и видео
• MMGeneration: Инструментарий OpenMMLab для генерации изображений и видео
• MMDeploy: Фреймворк OpenMMLab для развертывания моделей

Добро пожаловать в сообщество OpenMMLabСканируйте QR-код ниже, чтобы подписаться на официальный аккаунт OpenMMLab на Zhihu и присоединиться к официальному QQ-чату команды OpenMMLab через этот QR-код. Также вы можете добавить нашего официального ассистента WeChat и присоединиться к сообществу MMSelfSup WeChat.

Мы будем рады видеть вас в сообществе OpenMMLab:

• 📢 Поделясь передовыми технологиями AI-фреймворков
• 💻 Раскрывая исходный код часто используемых модулей PyTorch
• 📰 Объявляя последние новости от OpenMMLab
• 🚀 Представляя передовые алгоритмы, разработанные командой OpenMMLab
• 🏃 Получая более эффективную помощь при решении проблем и обратной связи
• 🔥 Предоставляя платформу для взаимодействия с разработчиками из различных областей

Полезные материалы 📘 ждут вас 💗, присоединяйтесь к сообществу OpenMMLab 👬!