github.com/open-mmlab/mmyolo @v0.6.0 sqlite

 

<b><font size="5">OpenMMLab 官网</font></b>
<sup>
  <a href="https://openmmlab.com">
    <i><font size="4">HOT</font></i>
  </a>
</sup>
&nbsp;&nbsp;&nbsp;&nbsp;
<b><font size="5">OpenMMLab 开放平台</font></b>
<sup>
  <a href="https://platform.openmmlab.com">
    <i><font size="4">TRY IT OUT</font></i>
  </a>
</sup>

 

📘使用文档 | 🛠️安装教程 | 👀模型库 | 🆕更新日志 | 🤔报告问题

English | 简体中文

📄 Table of Contents

• 🥳 🚀 最新进展
• ✨ 亮点
• 📖 简介
• 🛠️ 安装
• 👨‍🏫 教程
• 📊 基准测试和模型库
• ❓ 常见问题
• 🙌 贡献指南
• 🤝 致谢
• 🖊️ 引用
• 🎫 开源许可证
• 🏗️ OpenMMLab 的其他项目
• ❤️ 欢迎加入 OpenMMLab 社区

🥳 🚀 最新进展 🔝

💎 v0.6.0 版本已经在 2023.8.15 发布：

• 支持 YOLOv5 实例分割
• 基于 MMPose 支持 YOLOX-Pose
• 添加 15 分钟的实例分割教程
• YOLOv5 支持使用 mask 标注来优化边界框
• 添加多尺度训练和测试文档

我们提供了实用的脚本命令速查表

你可以点击链接，下载高清版 PDF 文件。

同时我们也推出了解读视频：

	内容	视频	课程中的代码
🌟	特征图可视化		特征图可视化.ipynb
🌟	源码阅读和调试「必备」技巧		源码阅读和调试「必备」技巧文档
🌟	10分钟换遍主干网络		10分钟换遍主干网络文档

10分钟换遍主干网络.ipynb | | 🌟 | 自定义数据集从标注到部署保姆级教程 | | 自定义数据集从标注到部署保姆级教程 | | 🌟 | 顶会第一步 · 模块自定义 | | 顶会第一步·模块自定义.ipynb |

完整视频列表请参考 中文解读资源汇总 - 视频

发布历史和更新细节请参考 更新日志

✨ 亮点 🔝

我们很高兴向大家介绍我们在实时目标识别任务方面的最新成果 RTMDet，包含了一系列的全卷积单阶段检测模型。 RTMDet 不仅在从 tiny 到 extra-large 尺寸的目标检测模型上实现了最佳的参数量和精度的平衡，而且在实时实例分割和旋转目标检测任务上取得了最先进的成果。 更多细节请参阅技术报告。 预训练模型可以在这里找到。

Task	Dataset	AP	FPS(TRT FP16 BS1 3090)
Object Detection	COCO	52.8	322
Instance Segmentation	COCO	44.6	188
Rotated Object Detection	DOTA	78.9(single-scale)/81.3(multi-scale)	121

MMYOLO 中目前实现了目标检测和旋转框目标检测算法，但是相比 MMDeteciton 版本有显著训练加速，训练速度相比原先版本提升 2.6 倍。

📖 简介 🔝

MMYOLO 是一个基于 PyTorch 和 MMDetection 的 YOLO 系列算法开源工具箱。它是 OpenMMLab 项目的一部分。

主分支代码目前支持 PyTorch 1.6 以上的版本。

主要特性

• 🕹️ 统一便捷的算法评测

MMYOLO 统一了各类 YOLO 算法模块的实现, 并提供了统一的评测流程，用户可以公平便捷地进行对比分析。

• 📚 丰富的入门和进阶文档

MMYOLO 提供了从入门到部署到进阶和算法解析等一系列文档，方便不同用户快速上手和扩展。

• 🧩 模块化设计

MMYOLO 将框架解耦成不同的模块组件，通过组合不同的模块和训练测试策略，用户可以便捷地构建自定义模型。

图为 RangeKing@GitHub 提供，非常感谢！

P6 模型图详见 model_design.md。

🛠️ 安装 🔝

MMYOLO 依赖 PyTorch, MMCV, MMEngine 和 MMDetection，以下是安装的简要步骤。 更详细的安装指南请参考安装文档。

conda create -n mmyolo python=3.8 pytorch==1.10.1 torchvision==0.11.2 cudatoolkit=11.3 -c pytorch -y
conda activate mmyolo
pip install openmim
mim install "mmengine>=0.6.0"
mim install "mmcv>=2.0.0rc4,<2.1.0"
mim install "mmdet>=3.0.0,<4.0.0"
git clone https://github.com/open-mmlab/mmyolo.git
cd mmyolo
# Install albumentations
pip install -r requirements/albu.txt
# Install MMYOLO
mim install -v -e .

👨‍🏫 教程 🔝

MMYOLO 基于 MMDetection 开源库，并且采用相同的代码组织和设计方式。为了更好的使用本开源库，请先阅读 MMDetection 概述 对 MMDetection 进行初步地了解。

MMYOLO 用法和 MMDetection 几乎一致，所有教程都是通用的，你也可以了解 MMDetection 用户指南和进阶指南 。

针对和 MMDetection 不同的部分，我们也准备了用户指南和进阶指南，请阅读我们的 文档 。

开启 MMYOLO 之旅

• 概述
• 依赖
• 安装和验证
• 15 分钟上手 MMYOLO 目标检测
• 15 分钟上手 MMYOLO 旋转框目标检测
• 15 分钟上手 MMYOLO 实例分割
• 中文解读资源汇总

推荐专题

• 如何给 MMYOLO 贡献代码
• 训练和测试技巧
• MMYOLO 模型结构设计
• 原理和实现全解析
• 轻松更换主干网络
• MMYOLO 模型复杂度分析
• [标注+训练+测试+部署全流程](docs/zh_cn/r