Documentación | Instalación | ? Zoológico modelo | ? ACTUALIZACIÓN Noticias | Proyectos en curso | ? Problemas de informes
Inglés | 简体中文
Qué hay de nuevo
La generación MM se ha fusionado en la mmedita. Y hemos admitido tareas y modelos de nueva generación. Destacamos las siguientes nuevas características:
Introducción
MMGeneration es un poderoso conjunto de herramientas para modelos generativos, especialmente para Gans ahora. Se basa en Pytorch y MMCV. La rama maestra funciona con Pytorch 1.5+ .
Características principales
- Rendimiento de capacitación de alta calidad: actualmente apoyamos la capacitación sobre Gans incondicionales, Gans internos y modelos de traducción de imágenes. El soporte para modelos condicionales llegará pronto.
- Se proporciona un poderoso conjunto de herramientas de aplicación: se proporciona un conjunto de herramientas abundante que contiene múltiples aplicaciones en GANS a los usuarios. La interpolación GaN, la proyección GaN y las manipulaciones GaN están integradas en nuestro marco. ¡Es hora de jugar con tus Gans! (Tutorial para aplicaciones)
- Entrenamiento distribuido eficiente para modelos generativos: para el entrenamiento altamente dinámico en modelos generativos, adoptamos una nueva forma de entrenar modelos dinámicos con
MMDDP . (Tutorial para DDP) - Nuevo diseño modular para combinación flexible: se propone un nuevo diseño para módulos de pérdida complejos para personalizar los enlaces entre módulos, que pueden lograr una combinación flexible entre diferentes módulos. (Tutorial para un nuevo diseño modular)
Visualización de entrenamiento  | Interpolación GaN  | Proyector de ganancia  | Manipulación de gan  |
Destacar
- La codificación posicional como sesgo inductivo espacial en GANS (CVPR2021) se ha liberado en
MMGeneration . [Config], [página del proyecto] - Los Gans condicionales han sido apoyados en nuestro kit de herramientas. Pronto llegarán más métodos y pesos previamente capacitados.
- Se ha apoyado el entrenamiento de precisión mixta (FP16) para StyleGan2. Verifique la comparación entre diferentes implementaciones.
Colegio de cambios
V0.7.3 fue lanzado el 14/04/2023. Consulte Changelog.md para obtener detalles e historial de lanzamiento.
Instalación
La generación MM depende de Pytorch y MMCV. A continuación hay pasos rápidos para la instalación.
Paso 1. Instale Pytorch siguiendo las instrucciones oficiales, por ejemplo,
pip3 install torch torchvision
Paso 2. Instale MMCV con MIM.
pip3 install openmim
mim install mmcv-full
Paso 3. Instale MMGeneration desde la fuente.
git clone https://github.com/open-mmlab/mmgeneration.git
cd mmgeneration
pip3 install -e .
Consulte Get_started.md para obtener una instrucción más detallada.
Empezando
Consulte get_started.md para el uso básico de MMGeneration. Docs/EN/Quick_run.MD puede ofrecer una orientación completa para la ejecución rápida. Para otros detalles y tutoriales, vaya a nuestra documentación.
Modelo
Estos métodos han sido cuidadosamente estudiados y apoyados en nuestros marcos:
Gans incondicionales (haga clic para colapsar)
- ✅ DCGAN (ICLR'2016)
- ✅ WGAN-GP (NIPS'2017)
- ✅ LSGAN (ICCV'2017)
- ✅ GGAN (ARXIV'2017)
- ✅ Pggan (ICLR'2018)
- ✅ styleganv1 (CVPR'2019)
- ✅ styleganv2 (CVPR'2020)
- ✅ styleganv3 (neurips'2021)
- ✅ Codificación posicional en GANS (CVPR'2021)
Gans condicionales (haga clic para colapsar)
- ✅ Sngan (ICLR'2018)
- ✅ Gan de proyección (ICLR'2018)
- ✅ Sagan (ICML'2019)
- ✅ Biggan/Biggan-Dep (ICLR'2019)
Trucos para Gans (haga clic para colapsar)
Traducción de Image2Image (haga clic para colapsar)
- ✅ PIX2PIX (CVPR'2017)
- ✅ Cyclegan (ICCV'2017)
Aprendizaje interno (haga clic para colapsar)
Modelos probabilísticos de difusión de Denoising (haga clic para colapsar)
- ✅ DDPM mejorado (ARXIV'2021)
Aplicaciones relacionadas
Que contribuye
Apreciamos todas las contribuciones para mejorar la generación de MM. Consulte Contriping.MD en MMCV para obtener más detalles sobre la guía contribuyente.
Citación
Si encuentra útil este proyecto en su investigación, considere citar:
@misc { 2021mmgeneration ,
title = { {MMGeneration}: OpenMMLab Generative Model Toolbox and Benchmark } ,
author = { MMGeneration Contributors } ,
howpublished = { url{https://github.com/open-mmlab/mmgeneration} } ,
year = { 2021 }
}Licencia
Este proyecto se publica bajo la licencia Apache 2.0. Algunas operaciones en MMGeneration son con otras licencias en lugar de Apache2.0. Consulte las licencias.md para el cheque cuidadoso, si está utilizando nuestro código para asuntos comerciales.
Proyectos en OpenMMLab
- MMCV: OpenMMLab Biblioteca fundamental para la visión por computadora.
- MIM: MIM instala paquetes OpenMMLab.
- MMClassification: OpenMMLab Clasificación de imágenes de herramientas y punto de referencia.
- MMDETECTION: OpenMMLab Detection Toolbox and Benchmark.
- MMDETECTION3D: la plataforma de próxima generación de OpenMMLab para la detección general de objetos 3D.
- MMROTATE: OpenMMLab Caja de herramientas de detección de objetos rotados y punto de referencia.
- MMSegmation: OpenMMLab Semantic Segmation Toolbox y Benchmark.
- MMOCR: OpenMMLab de texto de texto, reconocimiento y comprensión de la caja de herramientas.
- MMPOSE: OpenMMLab Pose Estimation Toolboxbox y Benchmark.
- MMHUMAN3D: OpenMMLAB 3D Modelo de herramientas paramétricas humanas y punto de referencia.
- MMSelfsup: OpenMMLab Self-Supervised Learning Toolbox and Benchmark.
- MMRAZOR: caja de herramientas de compresión del modelo OpenMMLab y punto de referencia.
- Mmfewshot: OpenMMLab Smantshot Learning Toolbox and Benchmark.
- MMACTION2: la caja de herramientas de comprensión de acción de próxima generación de OpenMMLAB y el punto de referencia.
- MMTracking: OpenMMLab Video Perception Toolbox y Benchmark.
- MMFLOW: OpenMMLab Flow Toolbox Box y Benchmark.
- Mmediting: OpenMMLab Image y Video Editing Toolboxbox.
- MM Generation: OpenMMLab Imagen y Video Generation Models Toolbox.
- MMDeploy: marco de implementación del modelo OpenMMLab.
