雷锋网AI科技评论按：去年10月，香港中文大学-商汤联合实验室在OpenMMLab的首期计划中，开放了MMCV和MMDetection（初期版本）。其初衷是为了在计算机视觉的一些重要方向建立统一而开放的代码库，并不断把新的算法沉淀其中。在过去的半年多时间，这些代码库已经产生了重要影响，越来越多的MMLab以外的研究团队开始把MMDetection作为实现新的目标检测算法的基础，并不断将其新算法回馈到MMDetection中。最近，OpenMMLab第二期正式发布，由多个大学和机构的研究人员联合提出了新一代OpenMMLabDetection，这将有效促进目标检测领域的应用和新方法的研究与发展。概述本文中，我们介绍了一个目标检测工具箱MMDetection，它包含了丰富的目标检测和实例分割方法以及相关的组件和模块。这个工具箱由MMDet团队主导开发，该团队曾打破了年COCO挑战赛的检测记录并获得冠军。此后，MMDetection逐渐发展成为一个统一的平台，涵盖了许多主流检测方法和现代模块。它不仅包括训练和推理代码，而且还为多个网络模型提供了权重参数。我们相信这个工具箱是迄今为止最完整的检测工具箱。本文介绍了该工具箱的各种特点。此外，我们还对不同的方法、组件及其超参数进行了基准研究。我们希望工具箱和基准能够提供完善、灵活的工具包来复现现有方法并开发自定义的新探测器，从而为日益壮大的研究社区服务。MMDetection新功能目标检测和实例分割都是基本的计算机视觉任务。检测流程通常比分类任务更复杂，并且不同的实现环境可能导致截然不同的结果。为了提供高质量的代码库和统一的基准测试，我们使用PyTorch构建了一个目标检测和实例分段代码库MMDetection。MMDetection有几个主要的特点：模块化设计。我们将目标检测的网络架构分解为不同的组件，并且可以通过多样化的模块组合来轻松地构建自定义的目标检测架构。支持多样化的模型架构。该工具箱支持各类主流检测架构，包括单阶段、双阶段和多阶段的检测架构。计算效率高。所有基础元件和模块都进行了GPU实现，训练速度比其他代码库（包括Detectron[

转载请注明:http://www.aideyishus.com/lkjg/6672.html