Слияние кода завершено, страница обновится автоматически
📘Инструкция по использованию | 🛠️Инструкция по установке | 👀База моделей | 🆕Журнал обновлений | 🤔Отчет о проблемах
English | Русский
MMSelfSup — это набор инструментов для обучения представлениям с помощью самообучения, реализованный на основе PyTorch, являющийся частью проекта OpenMMLab.
Основной ветвью поддерживаются версии PyTorch 1.5 и выше.
Интеграция множества методов
MMSelfSup предоставляет множество передовых алгоритмов самообучения, большинство из которых имеют одинаковые настройки предварительного обучения, чтобы обеспечить более справедливое сравнение на базовых данных.
Модульная архитектура
MMSelfSup следует концепции модульной архитектуры, используемой в проекте OpenMMLab, что позволяет пользователям легко создавать свои собственные алгоритмы.
Стандартизованные метрики производительности
MMSelfSup имеет богатую коллекцию базовых данных для оценки и тестирования, включая линейную оценку, линейную классификацию SVM/Low-shot SVM, полус supervision, детектирование объектов и сегментацию.
Совместимость
Совместимо со всеми основными библиотеками OpenMMLab, имеющими широкий спектр задач оценки и предварительно обученных моделей.
Новая версия v0.11.0 была выпущена 30 декабря 2022 года.
Основные новшества:
InterCLR
Подробности и история версий доступны в журнале обновлений.
Различия между MMSelfSup и OpenSelfSup описаны в документе сравнения.
Новая версия v1.0.0rc4 была выпущена 7 декабря 2022 года:
Основные новшества:
BEiT v1, BEiT v2, MILAN, MixMIM, EVA.MAE, SimMIM, MoCoV3.Дополнительные новые возможности доступны в ветви 1.x. Приглашаем всех отправлять Issues и Pull Requests!
MMSelfSup зависит от PyTorch, MMCV и MMClassification.
Для получения подробных инструкций по установке обратитесь к документации по установке.
Для подготовки данных обратитесь к готовности данных, для получения базового использования MMSelfSup — к руководству по началу работы, а для выполнения задач после обучения — к базовым тестам.
Также мы предлагаем более подробные руководства, включающие:
Кроме того, мы предлагаем колаб-руководство.
Если вы столкнулись с проблемами, обратитесь к часто задаваемым вопросам.
Для просмотра наших моделей и их результатов обратитесь к базе моделей.
Поддерживаемые алгоритмы:
Больше алгоритмов уже находится в планах.
| ----------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------------------------------- | | Линейная классификация ImageNet (мультивалентность) | Goyal2019 | | Линейная классификация ImageNet (последний слой) | | | Полус supervision ImageNet | | | Линейная классификация Places205 (мультивалентность) | Goyal2019 | | Линейная классификация iNaturalist2018 (мультивалентность)| Goyal2019 | | PASCAL VOC07 SVM | Goyal2019 | | PASCAL VOC07 Low-shot SVM | Goyal2019 | | PASCAL VOC07+12 Детектирование объектов | MoCo | | COCO17 Детектирование объектов | MoCo | | Cityscapes Сегментация | MMSeg | | PASCAL VOC12 Aug Сегментация | MMSeg |
Мы очень рады любым предложениям, способствующим развитию MMSelfSup. Для участия в проекте обратитесь к руководству по вкладу.
MMSelfSup является совместным проектом нескольких университетов и компаний. Мы благодарим всех, кто помогает нам в реализации алгоритмов и внедрении новых возможностей, а также за ценные отзывы пользователей; мы также хотели бы поблагодарить первых разработчиков и участников OpenSelfSup.
Мы надеемся, что этот инструментарий и базовый набор тестов будут полезны сообществу как гибкий набор инструментов для воспроизведения существующих алгоритмов и создания новых моделей, тем самым продолжая делать вклад в открытый источник.
Если вам пригодился данный проект для ваших исследований, пожалуйста, рассмотрите возможность цитирования:
@misc{mmselfsup2021,
title={{MMSelfSup}: OpenMMLab Self-Supervised Learning Toolbox and Benchmark},
author={MMSelfSup Contributors},
howpublished = {\url{https://github.com/open-mmlab/mmselfsup}},
year={2021}
}
Проект лицензирован под Apache 2.0.
Сканируйте QR-код ниже, чтобы подписаться на официальный аккаунт OpenMMLab на Zhihu и присоединиться к официальному QQ-чату OpenMMLab QQ Group. Также вы можете добавить официального ассистента OpenMMLab в WeChat и присоединиться к сообществу MMSelfSup.
Мы будем рады видеть вас в сообществе OpenMMLab:
Полезные материалы 📘 ждут вас 💗, присоединяйтесь к сообществу OpenMMLab 👬
Вы можете оставить комментарий после Вход в систему
Неприемлемый контент может быть отображен здесь и не будет показан на странице. Вы можете проверить и изменить его с помощью соответствующей функции редактирования.
Если вы подтверждаете, что содержание не содержит непристойной лексики/перенаправления на рекламу/насилия/вульгарной порнографии/нарушений/пиратства/ложного/незначительного или незаконного контента, связанного с национальными законами и предписаниями, вы можете нажать «Отправить» для подачи апелляции, и мы обработаем ее как можно скорее.
Опубликовать ( 0 )