README_zh-CN.md

 

OpenMMLab 官网 ^HOT      OpenMMLab 开放平台 ^{TRY IT OUT}

 

📘使用文档 | 🛠️安装指南 | 👀模型库 | 🆕更新日志 | 🤔报告问题

English | 简体中文

简介

MMSegmentation 是一个基于 PyTorch 的语义分割开源工具箱。它是 OpenMMLab 项目的一部分。

主分支代码目前支持 PyTorch 1.5 以上的版本。

Major features

主要特性

• 统一的基准平台

  我们将各种各样的语义分割算法集成到了一个统一的工具箱，进行基准测试。

• 模块化设计

  MMSegmentation 将分割框架解耦成不同的模块组件，通过组合不同的模块组件，用户可以便捷地构建自定义的分割模型。

• 丰富的即插即用的算法和模型

  MMSegmentation 支持了众多主流的和最新的检测算法，例如 PSPNet，DeepLabV3，PSANet，DeepLabV3+ 等.

• 速度快

  训练速度比其他语义分割代码库更快或者相当。

最新进展

💎 稳定版本

最新版本 v0.30.0 在 2023.01.11 发布：

• 添加 projects 目录以及示例项目
• 支持高质量合成人脸数据集

如果想了解更多版本更新细节和历史信息，请阅读更新日志。

🌟 1.x 预览版本

全新的 MMSegmentation v1.0.0rc3 版本已经在 2022.12.31 发布：

• 基于 MMEngine 统一了各组件接口。
• 全面支持混合精度，训练测试速度更快。
• 重构之后更加灵活的架构。

欢迎在 1.x branch 发现更多的新特性。欢迎 issue 和 PR。

安装

请参考快速入门文档进行安装，参考数据集准备处理数据。

快速入门

请参考训练教程和测试教程学习 MMSegmentation 的基本使用。 我们也提供了一些进阶教程，内容覆盖了:

• 增加自定义数据集
• 设计新的数据预处理流程
• 增加自定义模型
• 增加自定义的运行时配置。
• 训练技巧说明
• 有用的工具。

同时，我们提供了 Colab 教程。你可以在这里浏览教程，或者直接在 Colab 上运行。

基准测试和模型库

测试结果和模型可以在模型库中找到。

已支持的骨干网络：

• ResNet (CVPR'2016)
• ResNeXt (CVPR'2017)
• HRNet (CVPR'2019)
• ResNeSt (ArXiv'2020)
• MobileNetV2 (CVPR'2018)
• MobileNetV3 (ICCV'2019)
• Vision Transformer (ICLR'2021)
• Swin Transformer (ICCV'2021)
• Twins (NeurIPS'2021)
• BEiT (ICLR'2022)
• ConvNeXt (CVPR'2022)
• MAE (CVPR'2022)
• PoolFormer (CVPR'2022)
• SegNeXt (NeurIPS'2022)

已支持的算法：

• FCN (CVPR'2015/TPAMI'2017)
• ERFNet (T-ITS'2017)
• UNet (MICCAI'2016/Nat. Methods'2019)
• PSPNet (CVPR'2017)
• DeepLabV3 (ArXiv'2017)
• BiSeNetV1 (ECCV'2018)
• PSANet (ECCV'2018)
• DeepLabV3+ (CVPR'2018)
• UPerNet (ECCV'2018)
• ICNet (ECCV'2018)
• NonLocal Net (CVPR'2018)
• EncNet (CVPR'2018)
• Semantic FPN (CVPR'2019)
• DANet (CVPR'2019)
• APCNet (CVPR'2019)
• EMANet (ICCV'2019)
• CCNet (ICCV'2019)
• DMNet (ICCV'2019)
• ANN (ICCV'2019)
• GCNet (ICCVW'2019/TPAMI'2020)
• FastFCN (ArXiv'2019)
• Fast-SCNN (ArXiv'2019)
• ISANet (ArXiv'2019/IJCV'2021)
• OCRNet (ECCV'2020)
• DNLNet (ECCV'2020)
• PointRend (CVPR'2020)
• CGNet (TIP'2020)
• BiSeNetV2 (IJCV'2021)
• STDC (CVPR'2021)
• SETR (CVPR'2021)
• DPT (ArXiv'2021)
• Segmenter (ICCV'2021)
• SegFormer (NeurIPS'2021)
• K-Net (NeurIPS'2021)

已支持的数据集：

• Cityscapes
• PASCAL VOC
• ADE20K
• Pascal Context
• COCO-Stuff 10k
• COCO-Stuff 164k
• CHASE_DB1
• DRIVE
• HRF
• STARE
• Dark Zurich
• Nighttime Driving
• LoveDA
• Potsdam
• Vaihingen
• iSAID
• ImageNetS

常见问题

如果遇到问题，请参考 常见问题解答。

贡献指南

我们感谢所有的贡献者为改进和提升 MMSegmentation 所作出的努力。请参考贡献指南来了解参与项目贡献的相关指引。

致谢

MMSegmentation 是一个由来自不同高校和企业的研发人员共同参与贡献的开源项目。我们感谢所有为项目提供算法复现和新功能支持的贡献者，以及提供宝贵反馈的用户。 我们希望这个工具箱和基准测试可以为社区提供灵活的代码工具，供用户复现已有算法并开发自己的新模型，从而不断为开源社区提供贡献。

引用

如果你觉得本项目对你的研究工作有所帮助，请参考如下 bibtex 引用 MMSegmentation。

@misc{mmseg2020,
    title={{MMSegmentation}: OpenMMLab Semantic Segmentation Toolbox and Benchmark},
    author={MMSegmentation Contributors},
    howpublished = {\url{https://github.com/open-mmlab/mmsegmentation}},
    year={2020}
}

开源许可证

MMSegmentation 目前以 Apache 2.0 的许可证发布，但是其中有一部分功能并不是使用的 Apache2.0 许可证，我们在 许可证 中详细地列出了这些功能以及他们对应的许可证，如果您正在从事盈利性活动，请谨慎参考此文档。

OpenMMLab 的其他项目

• MMCV: OpenMMLab 计算机视觉基础库
• MIM: MIM 是 OpenMMlab 项目、算法、模型的统一入口
• MMClassification: OpenMMLab 图像分类工具箱
• MMDetection: OpenMMLab 目标检测工具箱
• MMDetection3D: OpenMMLab 新一代通用 3D 目标检测平台
• MMYOLO: OpenMMLab YOLO 系列工具箱和基准测试
• MMRotate: OpenMMLab 旋转框检测工具箱与测试基准
• MMSegmentation: OpenMMLab 语义分割工具箱
• MMOCR: OpenMMLab 全流程文字检测识别理解工具包
• MMPose: OpenMMLab 姿态估计工具箱
• MMHuman3D: OpenMMLab 人体参数化模型工具箱与测试基准
• MMSelfSup: OpenMMLab 自监督学习工具箱与测试基准
• MMRazor: OpenMMLab 模型压缩工具箱与测试基准
• MMFewShot: OpenMMLab 少样本学习工具箱与测试基准
• MMAction2: OpenMMLab 新一代视频理解工具箱
• MMTracking: OpenMMLab 一体化视频目标感知平台
• MMFlow: OpenMMLab 光流估计工具箱与测试基准
• MMEditing: OpenMMLab 图像视频编辑工具箱
• MMGeneration: OpenMMLab 图片视频生成模型工具箱
• MMDeploy: OpenMMLab 模型部署框架

欢迎加入 OpenMMLab 社区

扫描下方的二维码可关注 OpenMMLab 团队的 知乎官方账号，加入 OpenMMLab 团队 以及 MMSegmentation 的 QQ 群。

我们会在 OpenMMLab 社区为大家

• 📢 分享 AI 框架的前沿核心技术
• 💻 解读 PyTorch 常用模块源码
• 📰 发布 OpenMMLab 的相关新闻
• 🚀 介绍 OpenMMLab 开发的前沿算法
• 🏃 获取更高效的问题答疑和意见反馈
• 🔥 提供与各行各业开发者充分交流的平台

干货满满 📘，等你来撩 💗，OpenMMLab 社区期待您的加入 👬