前言:让我惊艳的几个库:
- ultralytics的yolov3,在一众yolov3的pytorch版本实现算法中脱颖而出,收到开发人员的欢迎,比别的库明显好的点在于,与darknet相似度达到极高的水平,支持自定义cfg文件的加载,简直完美。
- michuanhaohao的reid-strong-baseline, 这个库很严谨的将代码划分为几个部分,每个部分只做一小部分的工作,其中使用到了ignite, pytorch的一个高阶抽象库,感觉在遇到问题的时候比较难去debug。
- open-mmlab的mmdetection, 这个库不仅开源,还有一个技术报告,感觉写的实在太好了。现在一搜索mmdetection全都是配置,运行相关的,这用你讲解么,人家readme上写的很详细,感觉关键还是在于他设计以及整合所有目标检测,分割的框架,这个才是关键。
这篇博客记录一下读mmdetection技术报告的关键内容以及翻译。
1. 简介
mmdetection是一个目标检测工具箱,包含了很多单阶段,多阶段检测和目标分割的算法。该开源库内容上包括训练,测试,模型权重下载等。mmdetection包含了使用不同方法实现的基线,可以用来作为已有算法的复现。
mmdetection主要特征有:
- 模块化设计,将检测或者分割任务分解成几个模块,通过模块的组合即可完成相应的任务。
- 开箱即用,实现了多种目标检测和分割算法,易于配置和使用。
- 效率很高,相比其他几个benchmark(Detectron, markrcnn-benchmark, SimpleDet), mmdetection对GPU的占用要低一点。
- SOTA, 达到了目前最先进的水平。
mmdetection中还涉及了分享他们对训练目标检测器的一些体验和实践(感谢open-mmlab)
2. 支持的算法
-
Single-stage Methods:
-
SSD, RetinaNet, GHM, FCO
-