OpenMMLab официальный сайт

HOT
OpenMMLab открытая платформа
TRY IT OUT

Документация: https://mmsegmentation.readthedocs.io/zh_CN/main

English | 简体中文

Введение

MMSegmentation — это набор инструментов для семантической сегментации на основе PyTorch, который является частью проекта OpenMMLab.

Код в основной ветке main в настоящее время поддерживает версии PyTorch 1.6 и выше.

🎉 MMSegmentation v1.0.0 Введение 🎉

Мы рады объявить о выпуске последней версии MMSegmentation! В этой новой версии основная ветка называется main, а ветка разработки — dev-1.x. Предыдущие стабильные ветки сохранены как... Ситискейпс (Cityscapes)

• PASCAL VOC (ПАСКАЛЬ ВОК)
• ADE20K (АДЕ20К)
• Pascal Context (Паскаль Контекст)
• COCO-Stuff 10k (КОКО-Стафф 10к)
• COCO-Stuff 164k (КОКО-Стафф 164к)
• CHASE_DB1 (ЧЕЙЗ_ДБ1)
• DRIVE (ДРАЙВ)
• HRF (ХРФ)
• STARE (СТАР)
• Dark Zurich (Дарк Цюрих)
• Nighttime Driving (Найттайм Драйвинг)
• LoveDA (ЛавДА)
• Potsdam (Потсдам)
• Vaihingen (Вайхинген)
• iSAID (айСАИД)
• Mapillary Vistas (Мэпиллири Вистас).

Если у вас возникнут вопросы, обратитесь к разделу «Часто задаваемые вопросы» (FAQ) в документе docs/zh_cn/notes/faq.md.

Сообщество

В разделе projects/README.md вы можете найти информацию о некоторых передовых моделях и решениях на основе MMSegmentation, которые поддерживаются и развиваются сообществом. Эти проекты демонстрируют лучшие практики исследований и разработки продуктов на основе MMSegmentation. Мы приветствуем и благодарим всех, кто вносит свой вклад в экосистему OpenMMLab.

Руководство по внесению вклада

Мы благодарны всем, кто прилагает усилия для улучшения и развития MMSegmentation. Пожалуйста, ознакомьтесь с руководством по участию в проекте (.github/CONTRIBUTING.md), чтобы узнать о том, как внести свой вклад в проект.

Благодарности

MMSegmentation — это открытый проект, над которым совместно работают разработчики из разных университетов и компаний. Мы благодарим всех участников, которые вносят свой вклад в алгоритм воспроизведения и новые функции, а также пользователей, предоставляющих ценные отзывы. Мы надеемся, что этот набор инструментов и эталонный тест станут гибким инструментом кода для сообщества, позволяя пользователям воспроизводить существующие алгоритмы и разрабатывать свои собственные новые модели, тем самым постоянно внося свой вклад в открытое сообщество.

Цитирование

Если вы считаете, что данный проект был полезен для вашей исследовательской работы, пожалуйста, укажите следующую ссылку bibtex для MMSegmentation:

@misc{mmseg2020,
    title={{MMSegmentation}: OpenMMLab Semantic Segmentation Toolbox and Benchmark},
    author={MMSegmentation Contributors},
    howpublished = {\url{https://github.com/open-mmlab/mmsegmentation}},
    year={2020}
}

Лицензия с открытым исходным кодом

Этот проект использует лицензию Apache 2.0 с открытым исходным кодом.

Другие проекты OpenMMLab

• MMEngine (ММЭнжин): библиотека для обучения моделей глубокого обучения OpenMMLab;
• MMCV (ММКВ): базовая библиотека компьютерного зрения OpenMMLab;
• MIM (МИМ): единый вход в проекты, алгоритмы и модели OpenMMlab;
• MMEval (ММЭвал): унифицированная открытая библиотека оценки алгоритмов для различных фреймворков;
• MMClassification (ММКлассификатион): набор инструментов для классификации изображений OpenMMLab;
• MMDetection (ММДетектион): набор инструментов обнаружения целей OpenMMLab;
• MMDetection3D (ММДетектион3Д): новая платформа для обнаружения трёхмерных целей от OpenMMLab;
• MMRotate (ММРотейт): набор инструментов и эталонные тесты для обнаружения вращающихся рамок от OpenMMLab;
• MMyolo (ММЙоло): серия наборов инструментов YOLO от OpenMMLab и эталонные тесты;
• MMSegmentation (ММСегментатион): набор инструментов семантической сегментации от OpenMMLab;
• MMOCR (ММОКР): полный пакет инструментов для обнаружения, распознавания и понимания текста от OpenMMLab;
• MMPose (ММПоз): набор инструментов оценки позы от OpenMMLab;
• MMHuman3D (ММХьюман3Д): набор инструментов параметризации человеческого тела от OpenMMLab и эталонные тесты;
• MMSelfSup (ММСэлфСуп): набор инструментов самообучения от OpenMMLab и эталонные тесты;
• MMRazor (ММРазер): набор инструментов сжатия моделей от OpenMMLab и эталонные тесты;
• MMFewShot (ММФьюШот): набор инструментов обучения на малом количестве данных от OpenMMLab и эталонные тесты. OpenMMLab: новый набор инструментов для понимания видео

• MMAction2 (https://github.com/open-mmlab/mmaction2): новое поколение инструментов для анализа видео от OpenMMLab.
• MMTracking (https://github.com/open-mmlab/mmtracking): интегрированная платформа для обнаружения целей в видео от OpenMMLab.
• MMFlow (https://github.com/open-mmlab/mmflow): инструменты и тестовые эталоны для оценки оптического потока от OpenMMLab.
• MMEditing (https://github.com/open-mmlab/mmediting): набор инструментов для редактирования изображений и видео от OpenMMLab.
• MMGeneration (https://github.com/open-mmlab/mmgeneration): набор моделей для генерации изображений и видео от OpenMMLab.
• MMDeploy (https://github.com/open-mmlab/mmdeploy): фреймворк для развёртывания моделей от OpenMMLab.

Добро пожаловать в сообщество OpenMMLab!

Чтобы следить за официальным аккаунтом команды OpenMMLab на Zhihu, отсканируйте QR-код ниже. Также присоединяйтесь к группам OpenMMLab и MMSegmentation на QQ.

В сообществе OpenMMLab мы будем:

• 📢 делиться передовыми технологиями основных AI-фреймворков;
• 💻 объяснять исходный код популярных модулей PyTorch;
• 📰 публиковать новости об OpenMMLab;
• 🚀 представлять передовые алгоритмы, разработанные OpenMMLab;
• 🏃 получать более эффективные ответы на вопросы и обратную связь;
• 🔥 предоставлять платформу для полноценного общения с разработчиками из разных отраслей.

Вас ждёт множество полезной информации 📘. Присоединяйтесь к нам, OpenMMLab ждёт вас 👬!