OSCHINA-MIRROR/open-mmlab-mmselfsup

Сайт OpenMMLab ^НОВОЕ Платформа OpenMMLab ^{ПОДКЛЮЧИТЬСЯ}

📘Документация | 🛠️Установка | 👀Модели | 🆕Обновление новостей | 🤔Отчет о проблемах

Введение

MMSelfSup — это открытая библиотека для обучения представлений с помощью самообучающихся методов на основе PyTorch. Это часть проекта OpenMMLab.

Основной ветвью поддерживается PyTorch 1.5+.

Основные возможности

Все методы в одном месте

MMSelfSup предоставляет современные методы самообучения. Для всестороннего сравнения во всех тестовых наборах большинство методов предварительного обучения используются при одинаковых условиях.
Модульная архитектура

MMSelfSup использует модульную архитектуру, аналогичную другим проектам OpenMMLab, что делает её гибкой и удобной для пользователей для создания своих алгоритмов.
Стандартизованные тестовые наборы

MMSelfSup стандартизирует тестовые наборы, включая логистическую регрессию, SVM / низкошот SVM от линейно пробуемых признаков, полунаблюдаемое классификационное обучение, детектирование объектов и семантическую сегментацию.
Совместимость

Поскольку MMSelfSup использует ту же модульную архитектуру и интерфейсы, что и другие проекты OpenMMLab, она обеспечивает плавное выполнение задач после обучения с другими проектами OpenMMLab, такими как детектирование объектов и сегментация.

Новое

💎 Устойчивая версия

MMSelfSup v0.11.0 была выпущена 30/12/2022.

Основные изменения нового выпуска:

Поддержка InterCLR
Исправлены некоторые ошибки

Подробную информацию и историю выпусков можно найти в changelog.md.

Различия между MMSelfSup и базой кода OpenSelfSup можно найти в compatibility.md.

🌟 Предпросмотр версии 1.x

Новый выпуск MMSelfSup v1.0.0rc4 был выпущен 07/12/2022.

Основные изменения нового выпуска:

Основан на MMEngine и MMCV.
Улучшен весь документ.
Поддержка BEiT v1, BEiT v2, MILAN, MixMIM, EVA.
Поддержка MAE, SimMIM, MoCoV3 с различными эпохами предварительного обучения и основами различных масштабов.
Более компактные API.
Больше средств визуализации.
Более мощная система подготовки данных.
Высшая точность некоторых алгоритмов.

Больше новых возможностей можно найти в ветке 1.x. Приветствуем отзывы и предложения!

Установка

MMSelfSup зависит от PyTorch, MMCV и MMClassification.

Дополнительные инструкции доступны в install.md.

Начало работы

Дополнительные инструкции доступны в prepare_data.md для подготовки данных, get_started.md для базового использования и benchmarks.md для запуска тестовых наборов.

Мы также предлагаем более подробные руководства:

Кроме того, мы предлагаем колаб-руководство для базового использования.

Дополнительные часто задаваемые вопросы доступны в FAQ.

Модели

Дополнительная информация доступна в model_zoo.md для полного списка предварительно обученных моделей и тестовых наборов.

Поддерживаемые алгоритмы:

Более алгоритмов планируется добавить.

Тестовые наборы| Тестовые наборы | Настройки |

| -------------------------------------------------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | Линейная классификация ImageNet (мультивекторная) | Goyal2019 | | Линейная классификация ImageNet (последний слой) | | | Полунаблюдаемая классификация ImageNet | | | Линейная классификация Places205 (мультивекторная) | Goyal2019 | | Линейная классификация iNaturalist2018 (мультивекторная) | Goyal2019 | | Объектное детектирование PASCAL VOC07 SVM | Goyal2019 | | Объектное детектирование PASCAL VOC07 низкошот SVM | Goyal2019 | | Объектное детектирование PASCAL VOC07+12 | MoCo | | Объектное детектирование COCO17 | MoCo | | Сегментация Cityscapes | MMSeg | | Сегментация PASCAL VOC12 Aug | MMSeg |

Вклад

Мы ценим все вклады, улучшающие MMSelfSup. Дополнительная информация доступна в CONTRIBUTING.md для правил участия.

Отзыв

MMSelfSup является открытым проектом, созданным исследователями и инженерами из различных университетов и компаний. Мы благодарим всех участников, которые реализуют свои методы или добавляют новые функции, а также пользователей, которые предоставляют ценную обратную связь. Мы надеемся, что этот инструментарий и тестовые наборы будут служить растущему научному сообществу, предоставляя гибкий инструментарий для повторного выполнения существующих методов и развития новых алгоритмов.

MMSelfSup возник из OpenSelfSup, и мы благодарим всех ранних участников, которые внесли свой вклад в OpenSelfSup. Некоторые участники указаны здесь: Xiaohang Zhan (@XiaohangZhan), Jiahao Xie (@Jiahao000), Enze Xie (@xieenze), Xiangxiang Chu (@cxxgtxy), Zijian He (@scnuhealthy).

Цитирование

Если вы используете этот инструментарий или тестовые наборы в вашем исследовании, пожалуйста, цитируйте этот проект.

@misc{mmselfsup2021,
    title={{MMSelfSup}: OpenMMLab Self-Supervised Learning Toolbox and Benchmark},
    author={MMSelfSup Contributors},
    howpublished={\url{https://github.com/open-mmlab/mmselfsup}},
    year={2021}
}

Лицензия

Этот проект распространяется под лицензией Apache 2.0.

Проекты в OpenMMLab- MMCV: Основная библиотека OpenMMLab для компьютерного зрения.

MIM: MIM устанавливает пакеты OpenMMLab.
MMClassification: Инструментарий и метрика OpenMMLab для классификации изображений.
MMDetection: Инструментарий и метрика OpenMMLab для детекции объектов.
MMDetection3D: Новое поколение платформы OpenMMLab для общей детекции трёхмерных объектов.
MMYOLO: Инструментарий и метрика OpenMMLab для серии YOLO.
MMRotate: Инструментарий и метрика OpenMMLab для детекции вращённых объектов.
MMSegmentation: Инструментарий и метрика OpenMMLab для сегментации изображений.
MMOCR: Инструментарий и метрика OpenMMLab для распознавания текста, его обнаружения и понимания.
MMPose: Инструментарий и метрика OpenMMLab для оценки поз.
MMHuman3D: Инструментарий и метрика OpenMMLab для трёхмерной модели человека.
MMSelfSup: Инструментарий и метрика OpenMMLab для самообучаемых моделей.
MMRazor: Инструментарий и метрика OpenMMLab для сжатия моделей.
MMFewShot: Инструментарий и метрика OpenMMLab для обучения с малым количеством примеров.
MMAction2: Новое поколение инструментария и метрик OpenMMLab для понимания действий.
MMTracking: Инструментарий и метрика OpenMMLab для видеоанализа.
MMFlow: Инструментарий и метрика OpenMMLab для оптического потока.
MMEditing: Инструментарий и метрика OpenMMLab для редактирования изображений и видео.
MMGeneration: Инструментарий и метрика OpenMMLab для генеративных моделей изображений и видео.
MMDeploy: Фреймворк для развертывания моделей OpenMMLab.