mmselfsup

文档|安装| ？模型动物园| ？更新新闻|报告问题

？ MMMPRETRAIN是一个新升级的开源框架，用于视觉预训练。它已着手提供多种强大的预训练骨架，并支持不同的训练前策略。

MMMPRETRETAIN 1.0分支正在审判中，欢迎每个尝试尝试并与我们讨论！ ？

英语| 简体中文

介绍

MMSelfSup是基于Pytorch的开源自我监督表示工具箱。它是OpenMMLAB项目的一部分。

主分支与Pytorch 1.8或更高版本一起工作。

主要功能

• 方法全部

  MMSelfsup提供了自我监督学习的最先进方法。为了在所有基准测试中进行全面比较，大多数培训方法都在相同的设置下。

• 模块化设计

  MMSelfSup遵循具有模块化设计的OpenMMLAB项目的类似代码体系结构，该项目灵活且方便用户构建自己的算法。

• 标准化基准

  MMSelfSup标准化基准，包括逻辑回归，线性探测的特征，半监督分类，对象检测和语义分割的SVM / Low-Shot SVM。

• 兼容性

  由于MMSelfSUP采用与其他OpenMMLAB项目中的模块化和接口相似的设计，因此它通过其他OpenMMLAB项目（例如对象检测和细分）来支持对下游任务的平滑评估。

什么是新的

MMSelfSup v1.0.0是根据main分支发布的。请参阅迁移指南以获取更多详细信息。

MMSelfsup v1.0.0于2010年6月4日发布。

• 支持PixMIM 。
• 在projects/dino/ DINO
• 重构文件IO接口。
• 完善文档。

MMSelfSUP v1.0.0.0rc6于2023年10月2日发布。

• 在MaskFeat projects/maskfeat_video/
• 将文档转换为中文。

MMSelfsup v1.0.0.0rc5于2012年12月30日发布。

• 支持BEiT v2 ， MixMIM ， EVA 。
• 支持ShapeBias用于模型分析
• 添加FGIA ACCV 2022（第一名）的解决方案
• 重构T-SNE

有关详细信息和发布历史记录，请参考ChangElog。

MMSelfSUP 1.x和0.x之间的差异可以在迁移中发现。

安装

MMSelfSUP取决于Pytorch，MMCV，MMENGINE和MMClassification。

请参阅安装以获取更多详细的说明。

开始

对于教程，我们为基本用法提供用户指南：

预认证

• config
• 准备数据集
• 对现有型号进行预处理

下部任务

• 分类
• 检测
• 分割

有用的工具

• 可视化
• 分析工具

还提供了高级指南和COLAB教程。

请参阅常见问题解答以获取常见问题。

模型动物园

请参阅Model Zoo.md，以获取一套全面的预培训模型和基准。

支持的算法：

• 相对位置（ICCV'2015）
• 旋转预测（ICL'2018）
• DeepCluter（ECCV'2018）
• NPID（CVPR'2018）
• ODC（CVPR'2020）
• Moco V1（CVPR'2020）
• SIMCLR（ICML'2020）
• Moco V2（Arxiv'2020）
• BYOL（Neurips'2020）
• SHAV（Neurips'2020）
• Densecl（CVPR'2021）
• Simsiam（CVPR'2021）
• Barlow Twins（ICML'2021）
• MOCO V3（ICCV'2021）
• Beit（ICL'2022）
• MAE（CVPR'2022）
• simmim（CVPR'2022）
• MaskFeat（CVPR'2022）
• CAE（Arxiv'2022）
• 米兰（Arxiv'2022）
• Beit V2（Arxiv'2022）
• EVA（CVPR'2023）
• MixMim（Arxiv'2022）
• Pixmim（Arxiv'2023）

我们的计划中有更多算法。

基准

基准	环境
成像网线性分类（多头）	Goyal2019
Imagenet线性分类（最后）
ImageNet半SUP分类
place205线性分类（多头）	Goyal2019
inaturalist2018线性分类（多头）	Goyal2019
Pascal VOC07 SVM	Goyal2019
Pascal VOC07低射击SVM	Goyal2019
Pascal VOC07+12对象检测	moco
可可17对象检测	moco
城市景观细分	mmseg
Pascal VOC12 8月分段	mmseg

贡献

我们感谢所有改善MMSelfsup的贡献。有关贡献指南的更多详细信息，请参考贡献指南。

致谢

MMSelfSup是一个开源项目，由来自各种大学和公司的研究人员和工程师贡献。我们感谢所有实施方法或添加新功能的贡献者以及提供宝贵反馈的用户。我们希望工具箱和基准可以通过提供灵活的工具包来重新实现现有方法并开发自己的新算法来为不断增长的研究社区提供服务。

MMSelfsup源自OpenSelfSup，我们感谢对OpenSefSup的所有早期贡献。这里列出了一些贡献者：Xiaohang Zhan（@xiaohangzhan），Jiahao Xie（@Jiahao000），Enze Xie（@xieenze），Xiangxiang Chu（@cxxgtxy），Zijian He（@scnuhealthyy）。

引用

如果您在研究中使用此工具箱或基准测试，请引用此项目。

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

执照

该项目以Apache 2.0许可发布。

OpenMMLAB的项目

• Mmengine：用于培训深度学习模型的OpenMMLAB基础图书馆。
• MMCV：计算机视觉的OpenMMLAB基础库。
• MMEVAL：用于多个机器学习库的统一评估库。
• MIM：MIM安装OpenMMLAB软件包。
• MMClassification：OpenMMLAB图像分类工具箱和基准测试。
• mmDetection：OpenMMLAB检测工具箱和基准测试。
• MMDetection3D：OpenMMLAB的一般3D对象检测的下一代平台。
• mmrotate：OpenMMLAB旋转对象检测工具箱和基准测试。
• Myolo：OpenMMLAB YOLO系列工具箱和基准测试。
• MMSementation：OpenMMLAB语义分割工具箱和基准测试。
• MMOCR：OpenMMLAB文本检测，识别和理解工具箱。
• mmpose：OpenMMLAB姿势估计工具箱和基准。
• mmhuman3d：OpenMMLAB 3D人类参数模型工具箱和基准测试。
• MMSelfSup：OpenMMLAB自制学习工具箱和基准。
• mmrazor：OpenMMLAB模型压缩工具箱和基准测试。
• mmfewshot：OpenMMLAB LIGHSHOT LEALLED TOOLBAX和BENCHMARK。
• MMACTION2：OpenMMLAB的下一代动作理解工具箱和基准测试。
• mmmtracking：OpenMMLAB视频感知工具箱和基准测试。
• MMFlow：OpenMMLAB光流动工具箱和基准测试。
• mediting：OpenMMLAB图像和视频编辑工具箱。
• mmgeneration：OpenMMLAB图像和视频生成模型工具箱。
• mmdeploy：OpenMMLAB模型部署框架。