mmdetection技术报告解读

前言：让我惊艳的几个库：

1. 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。
2. 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。
3. 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。

来源：MMDetection: Open MMLab Detection Toolbox and Benchmark

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