OpenMMLab 官网 HOT OpenMMLab 开放平台 TRY IT OUT
文档: https://mmsegmentation.readthedocs.io/zh_CN/latest
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。
main 分支代码目前支持 PyTorch 1.6 以上的版本。
🎉 MMSegmentation v1.0.0 简介 🎉
我们非常高兴地宣布 MMSegmentation 最新版本的正式发布！在这个新版本中，主要分支是 main 分支，开发分支是 dev-1.x。而之前版本的稳定分支保留为 0.x 分支。请注意，master 分支将只在有限的时间内维护，然后将被删除。我们鼓励您在使用过程中注意分支选择和更新。感谢您一如既往的支持和热情，让我们共同努力，使 MMSegmentation 变得更加健壮和强大！💪
MMSegmentation v1.x 在 0.x 版本的基础上有了显著的提升，提供了更加灵活和功能丰富的体验。为了更好使用 v1.x 中的新功能，我们诚挚邀请您查阅我们详细的 📚 迁移指南，以帮助您无缝地过渡您的项目。您的支持对我们来说非常宝贵，我们热切期待您的反馈！
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。
更新日志
最新版本 v1.0.0 在 2023.04.06 发布。 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。
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
请参考概述对 MMSegmetation 进行初步了解
请参考用户指南了解 mmseg 的基本使用，以及进阶指南深入了解 mmseg 设计和代码实现。
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。
若需要将 0.x 版本的代码迁移至新版，请参考迁移文档。
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)
- MaskFormer (NeurIPS'2021)
- Mask2Former (CVPR'2022)
- PIDNet (ArXiv'2022)
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
- Mapillary Vistas
社区项目
这里有一些由社区用户支持和维护的基于 MMSegmentation 的 SOTA 模型和解决方案的实现。这些项目展示了基于 MMSegmentation 的研究和产品开发的最佳实践。 我们欢迎并感谢对 OpenMMLab 生态系统的所有贡献。
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
该项目采用 Apache 2.0 开源许可证。
OpenMMLab 的其他项目
- MMEngine: OpenMMLab 深度学习模型训练基础库
- MMCV: OpenMMLab 计算机视觉基础库
- MMPreTrain: OpenMMLab 深度学习预训练工具箱
- MMagic: OpenMMLab 新一代人工智能内容生成（AIGC）工具箱
- MMDetection: OpenMMLab 目标检测工具箱
- MMYOLO: OpenMMLab YOLO 系列工具箱与测试基准
- MMDetection3D: OpenMMLab 新一代通用 3D 目标检测平台 <365> MMRotate: OpenMMLab 旋转框检测工具箱与测试基准
- MMTracking: OpenMMLab 一体化视频目标感知平台
- 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
- 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
- MMFlow: OpenMMLab 光流估计工具箱与测试基准
- MMDeploy: OpenMMLab 模型部署框架
- MMRazor: OpenMMLab 模型压缩工具箱与测试基准
- MIM: OpenMMLab 项目、算法、模型的统一入口
- Playground: 收集和展示 OpenMMLab 相关的前沿、有趣的社区项目
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 👬
