Введение

MMSegmentation — это набор инструментов для семантической сегментации на основе PyTorch с открытым исходным кодом. Он является частью проекта OpenMMLab.

Основная ветка работает с PyTorch 1.6+.

🎉 Представляем MMSegmentation v1.0.0! 🎉

Мы рады объявить об официальном выпуске последней версии MMSegmentation! В этом новом выпуске команда OpenMMLab представляет ряд улучшений и новых функций, которые делают MMSegmentation ещё более мощным и гибким инструментом для задач семантической сегментации. Основные ветви проекта MMSegmentation

Основной ветвью проекта является main. Ветвь разработки называется dev-1.x. Стабильная ветвь для предыдущего релиза остаётся как 0.x ветка. Обратите внимание, что ветвь master будет поддерживаться только ограниченное время перед удалением. Мы рекомендуем вам быть внимательными при выборе ветки и обновлениях во время использования. Благодарим вас за неизменную поддержку и энтузиазм, и давайте работать вместе, чтобы сделать MMSegmentation ещё более надёжным и мощным! 💪

MMSegmentation v1.x

Версия MMSegmentation 1.x приносит значительные улучшения по сравнению с версией 0.x, предлагая более гибкий и многофункциональный опыт. Чтобы использовать новые функции в версии 1.x, мы приглашаем вас ознакомиться с нашим подробным руководством по миграции, которое поможет вам плавно перенести ваши проекты. Ваша поддержка неоценима, и мы с нетерпением ждём ваших отзывов!

Основные функции

• Унифицированный бенчмарк: мы предоставляем унифицированный инструмент для различных методов семантической сегментации.

• Модульный дизайн: мы разделяем семантическую сегментацию на различные компоненты, позволяя легко создавать настраиваемую систему путём комбинирования разных модулей.

• Поддержка нескольких методов: инструмент напрямую поддерживает популярные и современные методы семантической сегментации, такие как PSPNet, DeepLabV3, PSANet, DeepLabV3+ и другие.

• Высокая эффективность: скорость обучения быстрее или сопоставима с другими кодовыми базами.

Что нового?

Версия 1.0.0 была выпущена 04.06.2023. Пожалуйста, обратитесь к changelog.md для получения подробной информации и истории выпусков.

Изменения включают:

• Добавление поддержки наборов данных Mapillary Vistas в основной пакет MMSegmentation (#2576).
• Поддержка PIDNet (#2609).
• Поддержка SegNeXt (#2654).

Установка

Пожалуйста, обратитесь к get_started.md для установки и dataset_prepare.md для подготовки набора данных.

Начало работы

Для общего введения в MMSegmentation см. Overview. Для базового использования MMSegmentation см. пользовательские руководства. Также доступны продвинутые руководства для глубокого понимания дизайна и реализации mmseg. Предоставляется учебник Colab. Вы можете просмотреть ноутбук здесь или запустить его непосредственно в Colab.

Чтобы перейти с MMSegmentation 0.x, пожалуйста, обратитесь к разделу «Миграция».

Бенчмарк и модельный зоопарк

Результаты и модели доступны в модельном зоопарке.

Поддерживаемые бэкенды:

• ResNet (CVPR'2016).
• ResNeXt (CVPR'2017).
• HRNet (CVPR'2019).
• ResNeSt (ArXiv'2020).
• MobileNetV2 (CVPR'2018).
• MobileNetV3 (ICCV'2019).
• Vision Transformer (ICLR'2021).
• Swin Transformer (ICCV'2021).
• Twins (NeurIPS'2021).
• BEiT (ICLR'2022).
• ConvNeXt (CVPR'2022).
• MAE (CVPR'2022).
• PoolFormer (CVPR'2022).
• SegNeXt (NeurIPS'2022). ERFNet (T-ITS'2017), UNet (MICCAI'2016/Nat. Methods'2019), PSPNet (CVPR'2017) и другие — это названия моделей или архитектур в области компьютерного зрения и обработки изображений.

MMSegmentation — это, вероятно, библиотека или фреймворк для работы с этими моделями.

В тексте также упоминаются наборы данных, которые используются для обучения и тестирования моделей: Cityscapes, PASCAL VOC, ADE20K и другие.

Для получения более точного перевода необходим контекст.

Примечание: в запросе могут быть неточности, поскольку он не содержит контекста. MMSegmentation: набор инструментов и тестов для семантической сегментации от OpenMMLab

Проекты поддерживаются и развиваются сообществом пользователей. Эти проекты демонстрируют лучшие практики на основе MMSegmentation для исследований и разработки продуктов. Мы приветствуем и ценим любой вклад в экосистему OpenMMLab.

Вклад Мы ценим любой вклад, направленный на улучшение MMSegmentation. Пожалуйста, обратитесь к CONTRIBUTING.md за рекомендациями по внесению вклада.

Признание MMSegmentation — это проект с открытым исходным кодом, который приветствует любые вклады и отзывы. Мы надеемся, что набор инструментов и тесты смогут послужить растущему исследовательскому сообществу, предоставляя гибкий и стандартизированный инструментарий для переиспользования существующих методов и разработки новых методов семантической сегментации.

Цитирование Если вы считаете этот проект полезным в своих исследованиях, 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}
}

Лицензия Этот проект выпущен под лицензией Apache 2.0 license.

Семейство OpenMMLab

• MMEngine (https://github.com/open-mmlab/mmengine): основополагающая библиотека OpenMMLab для обучения моделей глубокого обучения.
• MMCV (https://github.com/open-mmlab/mmcv): основополагающая библиотека OpenMMLab для компьютерного зрения.
• MIM (https://github.com/open-mmlab/mim): MIM устанавливает пакеты OpenMMLab.
• MMEval (https://github.com/open-mmlab/mmeval): унифицированная библиотека оценки для нескольких библиотек машинного обучения.
• MMClassification (https://github.com/open-mmlab/mmclassification): набор инструментов для классификации изображений и тесты от OpenMMLab.
• MMDetection (https://github.com/open-mmlab/mmdetection): набор инструментов для обнаружения объектов и тесты от OpenMMLab.
• MMDetection3D (https://github.com/open-mmlab/mmdetection3d): платформа следующего поколения от OpenMMLab для общего обнаружения трёхмерных объектов.
• MMRotate (https://github.com/open-mmlab/mmrotate): набор инструментов OpenMMLab для обнаружения повёрнутых объектов и тесты.
• MMYOLO (https://github.com/open-mmlab/mmyolo): набор инструментов YOLO от OpenMMLab и тесты.
• MMSegmentation (https://github.com/open-mmlab/mmsegmentation): набор инструментов семантической сегментации и тесты от OpenMMLab.
• MMOCR (https://github.com/open-mmlab/mmocr): набор инструментов обнаружения, распознавания и понимания текста от OpenMMLab.
• MMPose (https://github.com/open-mmlab/mmpose): набор инструментов оценки позы от OpenMMLab и тесты.
• MMHuman3D (https://github.com/open-mmlab/mmhuman3d): набор инструментов параметрической модели человека от OpenMMLab и тесты.
• MMSelfSup (https://github.com/open-mmlab/mmselfsup): набор инструментов самообучения от OpenMMLab и тесты.
• MMRazor (https://github.com/open-mmlab/mmrazor): набор инструментов сжатия модели от OpenMMLab и тесты.
• MMFewShot (https://github.com/open-mmlab/mmfewshot): набор инструментов обучения на малом количестве данных от OpenMMLab и тесты.
• MMAction2 (https://github.com/open-mmlab/mmaction2): набор инструментов понимания действий следующего поколения от OpenMMLab и тесты.
• MMTracking (https://github.com/open-mmlab/mmtracking): набор инструментов восприятия видео от OpenMMLab и тесты.
• MMFlow (https://github.com/open-mmlab/mmflow): набор инструментов оптического потока от OpenMMLab и тесты.
• MMediting (https://github.com/open-mmlab/mmediting): набор инструментов редактирования изображений и видео от OpenMMLab.
• MMGeneration (https://github.com/open-mmlab/mmgeneration): набор генеративных моделей для изображений и видео от OpenMMLab.
• MMDeploy (https://github.com/open-mmlab/mmdeploy): среда развёртывания моделей от OpenMMLab.