Bahasa Inggris | 简体中文







MMDeploy 1.x telah dirilis, yang disesuaikan dengan basis kode hulu dari OpenMMLAB 2.0. Harap sejajarkan versi saat menggunakannya. Cabang default telah dialihkan ke main dari master . Mmdeploy 0.x ( master ) akan sudah usang dan fitur baru hanya akan ditambahkan ke MMDeploy 1.x ( main ) di masa depan.
| mmdeploy | mmengine | MMCV | mmdet | yang lain |
|---|---|---|---|---|
| 0.xy | - | <= 1.xy | <= 2.xy | 0.xy |
| 1.xy | 0.xy | 2.xy | 3.xy | 1.xy |
Deploee menawarkan lebih dari 2.300 model AI dalam format Onnx, NCNN, TRT dan OpenVino. Menampilkan daftar bawaan perangkat perangkat keras nyata, Deploee memungkinkan pengguna untuk mengonversi model obor menjadi format inferensi target apa pun untuk keperluan profil.
MMDEPLOY adalah alat penyebaran model pembelajaran open-source. Ini adalah bagian dari proyek OpenMmLab.

Basis kode dan model yang saat ini didukung adalah sebagai berikut, dan lebih banyak lagi akan dimasukkan di masa depan
Matriks perangkat-platform-inferencerbackend yang didukung disajikan sebagai berikut, dan lebih banyak lagi akan kompatibel.
Benchmark dapat ditemukan dari sini
| Perangkat / Platform | Linux | Windows | MacOS | Android |
|---|---|---|---|---|
| x86_64 CPU | onnxruntime pplnn ncnn Libtorch Openvino TVM | onnxruntime Openvino ncnn | - | - |
| LENGAN CPU | ncnn | - | - | ncnn |
| Risc-v | ncnn | - | - | - |
| Nvidia GPU | onnxruntime Tensorrt Libtorch pplnn | onnxruntime Tensorrt | - | - |
| Nvidia Jetson | Tensorrt | - | - | - |
| Huawei Ascend310 | MENGENDARAI KAPAL | - | - | - |
| Rockchip | Rknn | - | - | - |
| Apple M1 | - | - | Coreml | - |
| Adreno GPU | - | - | - | Snpe ncnn |
| Segi enam Dsp | - | - | - | Snpe |
Semua jenis modul dalam SDK dapat diperpanjang, seperti Transform untuk pemrosesan gambar, Net untuk inferensi jaringan saraf, Module untuk postprocessing dan sebagainya
Harap baca Geting_Started untuk penggunaan dasar MMDeploy. Kami juga memberikan tutoial tentang:
Anda dapat menemukan model yang didukung dari sini dan kinerjanya di tolok ukur.
Kami menghargai semua kontribusi untuk MMDeploy. Silakan merujuk ke Contributing.MD untuk Pedoman yang Berkontribusi.
Kami ingin mengucapkan terima kasih kepada tim -tim berikut atas kontribusi mereka untuk MMDeploy:
Jika Anda menemukan proyek ini berguna dalam penelitian Anda, silakan pertimbangkan mengutip:
@misc { =mmdeploy ,
title = { OpenMMLab's Model Deployment Toolbox. } ,
author = { MMDeploy Contributors } ,
howpublished = { url{https://github.com/open-mmlab/mmdeploy} } ,
year = { 2021 }
}Proyek ini dirilis di bawah lisensi Apache 2.0.