MMDetection 帮助文档 PDF 文档

Question

MMDetection 是一个目标检测工具箱，包含了丰富的目标检测、实例分割、全景分割算法以及相关的组件和模块。

mmdetection 是一个基于 PyTorch 的开源对象检测工具箱，它提供了已公开发表的多种视觉检测核心模块，通过这些模块的组合，可以迅速搭建出各种著名的检测框架。

依赖
安装流程
从零开始设置脚本
准备环境
安装 MMDetection
只在 CPU 安装
另一种选择： Docker 镜像
使用多个 MMDetection 版本进行开发
验证
模型库
镜像地址
共同设置
ImageNet 预训练模型
Baselines
RPN
Faster R-CNN
Mask R-CNN
Fast R-CNN (使用提前计算的 proposals)
RetinaNet
Cascade R-CNN and Cascade Mask R-CNN
Hybrid Task Cascade (HTC)
SSD
Group Normalization (GN)
Weight Standardization
Deformable Convolution v2
CARAFE: Content-Aware ReAssembly of FEatures
Instaboost
Libra R-CNN
Guided Anchoring
FCOS
FoveaBox
RepPoints
FreeAnchor
Grid R-CNN (plus)
GHM
GCNet
HRNet
Mask Scoring R-CNN
Train from Scratch
NAS-FPN
ATSS
FSAF
RegNetX
Res2Net
GRoIE
Dynamic R-CNN
PointRend
DetectoRS
Generalized Focal Loss
CornerNet
YOLOv3
PAA
SABL
CentripetalNet
ResNeSt
DETR
Deformable DETR
AutoAssign
YOLOF
Seesaw Loss
CenterNet
YOLOX
PVT
SOLO
QueryInst
Other datasets
Pre-trained Models
速度基准
训练速度基准
推理时间基准
与 Detectron2 对比
硬件
软件环境
精度
训练速度
推理速度
训练内存
中文解读文案汇总
1 官方解读文案
1.1 框架解读
1.2 算法解读
1.3 工具解读
1.4 知乎问答
1.5 其他
2 社区解读文案
1: 使用已有模型在标准数据集上进行推理
使用现有模型进行推理
推理的高层编程接口
异步接口-支持 Python 3.7+
演示样例
图片样例
摄像头样例
视频样例
在标准数据集上测试现有模型
数据集准备
测试现有模型
样例
不使用 Ground Truth 标注进行测试
批量推理
弃用 ImageToTensor
在标准数据集上训练预定义的模型
数据集
学习率自动缩放
使用单 GPU 训练
使用 CPU 训练
在多 GPU 上训练
同时启动多个任务
使用多台机器训练
使用 Slurm 来管理任务
2: 在自定义数据集上进行训练
准备自定义数据集
COCO 标注格式
准备配置文件
训练一个新的模型
测试以及推理
教程 1: 学习配置文件
通过脚本参数修改配置
配置文件结构
配置文件名称风格
弃用的 train_cfg/test_cfg
Mask R-CNN 配置文件示例
常问问题 (FAQ)
忽略基础配置文件里的部分内容
使用配置文件里的中间变量
教程 2: 自定义数据集
支持新的数据格式
将新的数据格式转换为现有的数据格式
1. 为自定义数据集修改配置文件
2. 检查自定义数据集的标注
调整新的数据格式为中间格式
自定义数据集的例子：
使用 dataset 包装器自定义数据集
重复数据集（Repeat dataset）
类别均衡数据集（Class balanced dataset）
合并数据集（Concatenate dataset）
修改数据集的类别
教程 3: 自定义数据预处理流程
数据流程的设计
数据加载 Data loading
预处理 Pre-processing
格式 Formatting
测试时数据增强 Test time augmentation
拓展和使用自定义的流程
教程 4: 自定义模型
开发新的组件
添加一个新的主干网络
1. 定义一个新的主干网络（以 MobileNet 为例）
2. 导入该模块
3. 在你的配置文件中使用该主干网络
添加新的 Neck
1. 定义一个 Neck（以 PAFPN 为例）
2. 导入该模块
3. 修改配置文件
添加新的 Head
添加新的损失
教程 5: 自定义训练配置
教程 6: 自定义损失函数
一个损失的计算过程
设置采样方法（步骤 1）
微调损失
微调超参数（步骤 2）
微调归纳方式（步骤 4）
微调损失权重（步骤 5）
加权损失（步骤 3）
教程 7: 模型微调
继承基础配置
Head 的修改
数据集的修改
训练策略的修改
使用预训练模型
教程 8: Pytorch 到 ONNX 的模型转换（实验性支持）
尝试使用新的 MMDeploy 來部署你的模型
教程 9: ONNX 到 TensorRT 的模型转换（实验性支持）
尝试使用新的 MMDeploy 来部署你的模型
如何将模型从 ONNX 转换为 TensorRT
先决条件
用法
如何评估导出的模型
支持转换为 TensorRT 的模型列表
提醒
常见问题
教程 10: 权重初始化
描述
初始化参数
init_cfg 的使用
教程 11: How to xxx
使用 MMClassification 的骨干网络
使用在 MMClassification 中实现的骨干网络
通过 MMClassification 使用 TIMM 中实现的骨干网络
使用马赛克数据增强
在配置文件中冻结骨干网络后在训练中解冻骨干网络
获得新的骨干网络的通道数
日志分析
默认约定
损失
空 proposals
全景分割数据集
MMDetection v2.x 兼容性说明
MMDection 2.21.0
MMDetection 2.18.1
MMCV compatibility
MMDetection 2.18.0
DIIHead 兼容性
MMDetection v2.14.0
MMCV 版本
SSD 兼容性
MMDetection v2.12.0
MMCV 版本
统一模型初始化
统一模型 registry
Mask AP 评估
与 MMDetection v1.x 的兼容性
坐标系
代码库约定
训练超参
将模型从 v1.x 升级至 v2.0
pycocotools 兼容性
常见问题解答
MMCV 安装相关
PyTorch/CUDA 环境相关
Training 相关
Evaluation 相关
Model 相关
English
简体中文
mmdet.apis
mmdet.core
anchor
bbox
export
mask
evaluation
post_processing
utils
mmdet.datasets
datasets
pipelines
samplers
api_wrappers
mmdet.models
detectors
backbones
necks
dense_heads
roi_heads
losses
utils
mmdet.utils
Indices and tables
Python 模块索引
索引

下载地址：https://www.wenjiangs.com/wp-content/uploads/2024/01/OdushubuOxColxzD.zip