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。

主分支代码目前支持 PyTorch 1.5 以上的版本。

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。

开源许可证

该项目采用 Apache 2.0 开源许可证。

更新日志

最新的月度版本 v0.20.2 在 2021.12.15 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。

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)

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)
• SegFormer (NeurIPS'2021)

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

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

请参考训练教程和测试教程学习 MMSegmentation 的基本使用。
我们也提供了一些进阶教程，内容覆盖了增加自定义数据集，设计新的数据预处理流程，增加自定义模型，增加自定义的运行时配置。
除此之外，我们也提供了很多实用的训练技巧说明和模型部署相关的有用的工具。

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。

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}
}

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。

OpenMMLab 的其他项目

• MMCV: OpenMMLab 计算机视觉基础库
• MMClassification: OpenMMLab 图像分类工具箱
• MMDetection: OpenMMLab 目标检测工具箱
• MMDetection3D: OpenMMLab 新一代通用 3D 目标检测平台
• MMSegmentation: OpenMMLab 语义分割工具箱
• MMAction2: OpenMMLab 新一代视频理解工具箱
• MMTracking: OpenMMLab 一体化视频目标感知平台
• MMPose: OpenMMLab 姿态估计工具箱
• MMEditing: OpenMMLab 图像视频编辑工具箱
• MMOCR: OpenMMLab 全流程文字检测识别理解工具包
• MMGeneration: OpenMMLab 生成模型工具箱
• MMFlow: OpenMMLab 光流估计工具箱与测试基准
• MMFewShot: OpenMMLab 少样本学习工具箱与测试基准
• MMHuman3D: OpenMMLab 人体参数化模型工具箱与测试基准

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 👬