mmselfsup

Documentación | Instalación | ? Zoológico modelo | ? ACTUALIZACIÓN Noticias | ? Problemas de informes

? MMPretrain es un marco de código abierto recientemente actualizado para la pre-entrenamiento visual. Se ha dispuesto a proporcionar múltiples columnas de capacitación previas y respaldar diferentes estrategias de pre-entrenamiento.

¡La sucursal de MMPretrain 1.0 está en juicio, bienvenido cada uno para probarlo y discutir con nosotros! ?

Inglés | 简体中文

Introducción

MMSelfSup es una caja de herramientas de aprendizaje de representación auto-supervisada de código abierto basada en Pytorch. Es parte del proyecto OpenMMLab.

La rama maestra trabaja con Pytorch 1.8 o superior.

Características principales

• Métodos todo en uno

  MMSelfSup proporciona métodos de vanguardia en el aprendizaje auto-supervisado. Para una comparación integral en todos los puntos de referencia, la mayoría de los métodos previos a la capacitación están en la misma configuración.

• Diseño modular

  MMSelfSup sigue una arquitectura de código similar de proyectos OpenMMLab con diseño modular, que es flexible y conveniente para que los usuarios construyan sus propios algoritmos.

• Puntos de referencia estandarizados

  MMSelfSup estandariza los puntos de referencia que incluyen regresión logística, SVM / SVM de bajo disparo de características linealmente sondeadas, clasificación semi-supervisada, detección de objetos y segmentación semántica.

• Compatibilidad

  Dado que MMSelfsup adopta un diseño similar de modulares e interfaces como las de otros proyectos OpenMMLab, admite una evaluación sin problemas en tareas aguas abajo con otros proyectos OpenMMLab como la detección de objetos y la segmentación.

Qué hay de nuevo

MMSelfsup V1.0.0 se lanzó en base a la rama main . Consulte la Guía de migración para obtener más detalles.

MMSelfSUP V1.0.0 se lanzó en el 06/06/2023.

• Apoyo PixMIM .
• Apoyo DINO en projects/dino/ .
• Interfaz IO de archivo de refactorización.
• Refinar documentos.

MMSelfSUP V1.0.0RC6 se lanzó en el 10/02/2023.

• Admite MaskFeat con un conjunto de datos de video en projects/maskfeat_video/
• Traducir la documentación al chino.

MMSelfSUP V1.0.0RC5 se lanzó en el 30/12/2022.

• Soporte BEiT v2 , MixMIM , EVA .
• Soporte ShapeBias para el análisis del modelo
• Agregar solución de FGIA ACCV 2022 (primer lugar)
• Refactor T-SNE

Consulte ChangeLog para obtener detalles e historial de lanzamiento.

Se pueden encontrar diferencias entre MMSelfsup 1.x y 0.x en la migración.

Instalación

MMSelfSup depende de Pytorch, MMCV, MMEngine y MMClassification.

Consulte la instalación para obtener una instrucción más detallada.

Empezar

Para los tutoriales, proporcionamos guías de usuario para el uso básico:

Predicha

• Configuración
• Preparar el conjunto de datos
• Pretros con modelos existentes

Tareas de Downetrream

• Clasificación
• Detección
• Segmentación

Herramientas útiles

• Visualización
• Herramientas de análisis

También se proporcionan guías avanzadas y tutoriales de Colab.

Consulte las preguntas frecuentes para ver las preguntas frecuentes.

Zoológico modelo

Consulte Model Zoo.md para obtener un conjunto integral de modelos y puntos de referencia previamente capacitados.

Algoritmos compatibles:

• Ubicación relativa (ICCV'2015)
• Predicción de rotación (ICLR'2018)
• DeepCluster (ECCV'2018)
• NPID (CVPR'2018)
• ODC (CVPR'2020)
• MOCO V1 (CVPR'2020)
• Simclr (ICML'2020)
• MOCO V2 (ARXIV'2020)
• Byol (Neurips'2020)
• SWAV (Neurips'2020)
• Densecl (CVPR'2021)
• Simsiam (CVPR'2021)
• Barlow Twins (ICML'2021)
• MOCO V3 (ICCV'2021)
• Beit (ICLR'2022)
• Mae (CVPR'2022)
• Simmim (CVPR'2022)
• Maskfeat (CVPR'2022)
• CAE (ARXIV'2022)
• Milán (arxiv'2022)
• Beit V2 (ARXIV'2022)
• Eva (CVPR'2023)
• Mixmim (arxiv'2022)
• Pixmim (ARXIV'2023)

Más algoritmos están en nuestro plan.

Punto de referencia

Puntos de referencia	Configuración
Clasificación lineal de ImageNet (múltiple cabeza)	Goyal2019
Clasificación lineal de Imagenet (último)
Clasificación semi-súbica de Imagenet
Clasificación lineal de lugares205 (múltiples cabezas)	Goyal2019
Inaturalist2018 Clasificación lineal (múltiple cabeza)	Goyal2019
Pascal VOC07 SVM	Goyal2019
Pascal VOC07 SVM de bajo disparo	Goyal2019
Pascal VOC07+12 objetos Detección	Moco
Detección de objetos de COCO17	Moco
Segmentación de paisajes urbanos	Mmseg
Pascal VOC12 Aug segmentación	Mmseg

Que contribuye

Apreciamos todas las contribuciones mejorando MMSelfsup. Consulte las guías de contribución para obtener más detalles sobre la guía contribuyente.

Reconocimiento

MMSelfSup es un proyecto de código abierto que contribuyen a investigadores e ingenieros de varias universidades y empresas. Apreciamos a todos los contribuyentes que implementan sus métodos o agregan nuevas características, así como a los usuarios que otorgan comentarios valiosos. Deseamos que la caja de herramientas y el punto de referencia puedan servir a la creciente comunidad de investigación al proporcionar un conjunto de herramientas flexible para reimplinar los métodos existentes y desarrollar sus propios algoritmos nuevos.

MMSelfsup se origina en OpenSelfsup, y apreciamos todas las primeras contribuciones hechas a OpenSelfsup. Aquí se enumeran algunos contribuyentes: Xiaohang Zhan (@xiaohangzhan), Jiahao xie (@jiahao000), Enze xie (@xieenze), xiangxiang chu (@cxxgtxy), zijian he (@scnuhealy).

Citación

Si usa esta caja de herramientas o un punto de referencia en su investigación, cite este proyecto.

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

Licencia

Este proyecto se publica bajo la licencia Apache 2.0.

Proyectos en OpenMMLab

• MMEngine: OpenMMLab Biblioteca fundamental para capacitar a los modelos de aprendizaje profundo.
• MMCV: OpenMMLab Biblioteca fundamental para la visión por computadora.
• MMEVAL: una biblioteca de evaluación unificada para múltiples bibliotecas de aprendizaje automático.
• 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.
• MMYOLO: OpenMMLab Yolo Series Toolbox y Benchmark.
• 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.