【OpenMMLab】MMDetection 代码

系列文章目录

第一课：【OpenMMLab】OpenMMLab概述
第二课：【OpenMMLab】人体姿态估计、关键点检测与MMPose
第三课：【openMMLab】MMPose 代码教程
第四课：【OpenMMLab】深度学习预训练与 MMPreTrain
第五课: 【OpenMMLab】MMPretrain 代码教程
第六课：【OpenMMLab】目标检测与MMDetection

目标检测

课程视频：https://www.bilibili.com/video/BV1Tm4y1q7fy

什么是目标检测

目标检测任务即:给定图片，网络预测出所关注的所有物体边界框和类别。其是一个典型的多任务学习，既包括物体边界框学习还包括类别学习。

什么是MMDetection

MMDetection Repo: https://github.com/open-mmlab/mmdetection
官方文档：https://mmdetection.readthedocs.io/en/latest
MMDetection 是被广泛使用的测工具箱，包括了目标检测、实例分割、全景分割等多个通用检测方向，并支持了 75+ 个主流和前沿模型，为用户提供超过 440+ 个预训练模型，在学术研究和工业落地中拥有广泛应用。该框架的主要特点为:

• 模块化设计
  MMDetection 将检测框架解成不同的模块组件，通过组合不同的模块组件，用户可以便捷地构建自定义的检测模型
• 支持多种检测任务
  MMDetection 支持了各种不同的检测任务，包括目标检测，实例分割，全景分割，以及半监督目标检测。后续会重点支持多模态通用检测方向
• 速度快
  基本的框和 mask 操作都实现了 GPU 版本，训练速度比其他代码库更快或者相当。
• 性能高
  MMDetection 这个算法库源自于 (OCO 2018 目标检测亮赛的冠军团队 MMDet 团队开发的代码，我们在之后持续进行了改进和提升新发布的 RTMDet 还在实时实例分割和旋转目标检测任务中取得了最先进的成果，同时也在目标检测模型中取得了最佳的的参数量和精度平衡。

近期发布了 MMDetection 3.0 正式版本。在 MMDetection V2.0 基础上，通过更细粒度的模块解，我们进一步拆解出了数据、数据变换、模型、评测、可视化器等抽象，并将这些接口进行了统一设计，统一的数据流和细粒度的模块大幅提升了任务拓展性能。基于全新训练引擎 MMEngine 和计算机视觉的基库 MMCV进行了全面适配，经过对模型各个组件的重构和优化，全面提升了 MMDetection的速度和精度，达到了现有检测框架中的最优水平。

配置环境

环境检测和安装

# 查看 nvcc 和 gcc 的版本
nvcc -V
gcc --version
# 安装 mmengine 和 mmcv
pip install -U "openmim==0.3.7"
mim install "mmengine==0.7.1"
mim install "mmcv=2.0.0"

# 安装 mmdetection
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -e .

from mmengine.utils import get_git_bash
from mmengine.utils.dl_utils import collect_env as collect_base_env
def collect_env():
	env_info= collect_base_env()
	env_info["MMDetection"] = f"{mmdet.__version__} + {get_git_hash()[:7]}"
	return env_info

if __name__="__main__":
	for name, val in collect_env().items():
		print(f'{name}:{val}')

~~ 待更新