商汤和港中大开源了基于PyTorch的检测库——mmdetection
近日，香港中文大学-商汤联合实验室开源了基于 pytorch 的检测库——mmdetection。上个月，商汤和港中大组成的团队在 coco 比赛的物体检测（detection）项目中夺得冠军，而 mmdetection 正是基于 coco 比赛时的 codebase 重构。
商汤称，这个开源库提供了已公开发表的多种视觉检测核心模块。通过这些模块的组合，可以迅速搭建出各种著名的检测框架，比如 faster rcnn，mask rcnn，和 r-fcn 等，以及各种新型框架，从而大大加快检测技术研究的效率。
目前，mmdetection 的第一个版本已经实现了 rpn，fast r-cnn，faster r-cnn，mask r-cnn，近期还计划放出 retinanet 和 cascade r-cnn。
项目地址：
https://github.com/open-mmlab/mmdetection
此次项目的参与者，香港中文大学陈恺博士称，相比 fair 此前开源的 detectron，mmdetection 有以下几大优势：
编者注：detectron 是 fair 用于实现最先进的目标检测算法（包括 mask r-cnn）的软件系统。该系统基于深度学习框架 caffe 2 ，由 python 编写而成。（《mask r-cnn 源代码终上线，facebook 开源目标检测平台—detectron》）
performance 稍高：由于 pytorch 官方 model zoo 里面的 resnet 结构和 detectron 所用的 resnet 有细微差别（mmdetection 中可以通过 backbone 的 style 参数指定），导致模型收敛速度不一样，所以我们用两种结构都跑了实验，一般来说在 1x 的 lr schedule 下 detectron的会高，但 2x 的结果 pytorch 的结构会比较高。
训练速度稍快：mask r-cnn 差距比较大，其余的很小。采用相同的 setting，detectron 每个 iteration 需要 0.89s，而 mmdetection 只需要 0.69s。fast r-cnn 比较例外，比 detectron 的速度稍慢。另外在我们的服务器上跑 detectron 会比官方 report 的速度慢 20% 左右，猜测是 fb 的 big basin 服务器性能比我们好？
所需显存稍小：显存方面优势比较明显，会小 30% 左右。但这个和框架有关，不完全是 codebase 优化的功劳。一个让我们比较意外的结果是现在的 codebase 版本跑 resnet-50 的 mask r-cnn，每张卡（12 g）可以放 4 张图，比我们比赛时候小了不少。
易用性更好：基于 pytorch 和基于 caffe2 的 code 相比，易用性是有代差的。成功安装 detectron 的时间，大概可以装好一打的 mmdetection 吧。
当然，陈恺博士也承认 detectron 也有一些明显优势，“作为第一个全面的 detection codebase，加上 fair 的金字招牌，关注人数和用户很多（虽然吐槽也比较多），release 的模型也比较全面。我们也在努力扩充 model zoo，奈何人力和算力还是有很大差距，所以还需要时间。”
与 mmdetection 一起开源的还有一个基础库——mmcv。据陈恺博士介绍， mmcv 基础库主要分为两个部分：一部分是和 deep learning framework 无关的一些工具函数，比如 io/image/video 相关的一些操作；另一部分是为 pytorch 写的一套训练工具，可以大大减少用户需要写的代码量，同时让整个流程的定制变得容易。
项目地址：
https://github.com/open-mmlab/mmcv
实际上，mmdetection 和 mmcv 都同属于香港中文大学多媒体实验室的 open-mmlab 计划。港中大助理教授林达华称，启动 open-mmlab 计划，是希望在一个统一的代码架构上，逐步开放实验室积累的算法和模型，为计算机视觉的研究社区贡献自己的一分力量。以下是简单说明：
1. 这是一个纯粹的学术开源计划，所开放的都是已经公开发表的算法和模型（包括我们自己和其它研究组提出的代表性算法），不涉及任何的商业化技术。
2. 我们希望这个计划能够降低算法复现的难度，和不必要的重复实验与训练，从而让使用者能够专注于新问题的提出、新思路的探索，而不需要花费主要精力用于已有算法组件的细节调试。
3. 我们在开放的 codebase 中会对现有的主流算法框架进行重构，把它们分解为可复用的组件。希望未来的研究者可以基于这些组件，能迅速建立新的算法框架原型，加快探索的进度。
4. 我们希望 open-mmlab 成为一个学术交流和探讨的渠道。
基于nios ii嵌入式软核处理器的嵌入式系统设计解决方案
科创板上市委同意埃夫特的首发上市申请
兰钧首批314Ah电芯正式量产下线
关于预测AI的十项原则
德索LVDS端子冷知识
商汤和港中大开源了基于PyTorch的检测库——mmdetection
威控科技热电厂热网无线远程计量监控解决方案
焊机联网系统
智能手机白屏死机避免方法
何飚升任中国联通副总经理
大陆工业和信息化部：四方面推动人工智能产业发展
废气vocs在线监测仪正宗生产厂家
dfrobot记忆合金肌肉驱动器 介绍
瑞佑科技推出支持文字与绘图模式的TFT彩屏控制器
数控电源电路的工作原理、功能及故障分析
扫地机器人中的灰尘识别感应器用到了哪些技术
基于STM32采用CS创世 SD NAND(贴片SD卡)完成FATFS文件系统移植与测试（中篇）
5G真的来了 这些问题你一定想问！
2017三大领域展望：物联网（IoT）、VR/AR和机器学习
ST推出一款新的高集成度系统级芯片
商汤称，这个开源库提供了已公开发表的多种视觉检测核心模块。通过这些模块的组合，可以迅速搭建出各种著名的检测框架，比如 faster rcnn，mask rcnn，和 r-fcn 等，以及各种新型框架，从而大大加快检测技术研究的效率。
目前，mmdetection 的第一个版本已经实现了 rpn，fast r-cnn，faster r-cnn，mask r-cnn，近期还计划放出 retinanet 和 cascade r-cnn。
项目地址：
https://github.com/open-mmlab/mmdetection
此次项目的参与者，香港中文大学陈恺博士称，相比 fair 此前开源的 detectron，mmdetection 有以下几大优势：
编者注：detectron 是 fair 用于实现最先进的目标检测算法（包括 mask r-cnn）的软件系统。该系统基于深度学习框架 caffe 2 ，由 python 编写而成。（《mask r-cnn 源代码终上线，facebook 开源目标检测平台—detectron》）
performance 稍高：由于 pytorch 官方 model zoo 里面的 resnet 结构和 detectron 所用的 resnet 有细微差别（mmdetection 中可以通过 backbone 的 style 参数指定），导致模型收敛速度不一样，所以我们用两种结构都跑了实验，一般来说在 1x 的 lr schedule 下 detectron的会高，但 2x 的结果 pytorch 的结构会比较高。
训练速度稍快：mask r-cnn 差距比较大，其余的很小。采用相同的 setting，detectron 每个 iteration 需要 0.89s，而 mmdetection 只需要 0.69s。fast r-cnn 比较例外，比 detectron 的速度稍慢。另外在我们的服务器上跑 detectron 会比官方 report 的速度慢 20% 左右，猜测是 fb 的 big basin 服务器性能比我们好？
所需显存稍小：显存方面优势比较明显，会小 30% 左右。但这个和框架有关，不完全是 codebase 优化的功劳。一个让我们比较意外的结果是现在的 codebase 版本跑 resnet-50 的 mask r-cnn，每张卡（12 g）可以放 4 张图，比我们比赛时候小了不少。
易用性更好：基于 pytorch 和基于 caffe2 的 code 相比，易用性是有代差的。成功安装 detectron 的时间，大概可以装好一打的 mmdetection 吧。
当然，陈恺博士也承认 detectron 也有一些明显优势，“作为第一个全面的 detection codebase，加上 fair 的金字招牌，关注人数和用户很多（虽然吐槽也比较多），release 的模型也比较全面。我们也在努力扩充 model zoo，奈何人力和算力还是有很大差距，所以还需要时间。”
与 mmdetection 一起开源的还有一个基础库——mmcv。据陈恺博士介绍， mmcv 基础库主要分为两个部分：一部分是和 deep learning framework 无关的一些工具函数，比如 io/image/video 相关的一些操作；另一部分是为 pytorch 写的一套训练工具，可以大大减少用户需要写的代码量，同时让整个流程的定制变得容易。
项目地址：
https://github.com/open-mmlab/mmcv
实际上，mmdetection 和 mmcv 都同属于香港中文大学多媒体实验室的 open-mmlab 计划。港中大助理教授林达华称，启动 open-mmlab 计划，是希望在一个统一的代码架构上，逐步开放实验室积累的算法和模型，为计算机视觉的研究社区贡献自己的一分力量。以下是简单说明：
1. 这是一个纯粹的学术开源计划，所开放的都是已经公开发表的算法和模型（包括我们自己和其它研究组提出的代表性算法），不涉及任何的商业化技术。
2. 我们希望这个计划能够降低算法复现的难度，和不必要的重复实验与训练，从而让使用者能够专注于新问题的提出、新思路的探索，而不需要花费主要精力用于已有算法组件的细节调试。
3. 我们在开放的 codebase 中会对现有的主流算法框架进行重构，把它们分解为可复用的组件。希望未来的研究者可以基于这些组件，能迅速建立新的算法框架原型，加快探索的进度。
4. 我们希望 open-mmlab 成为一个学术交流和探讨的渠道。
基于nios ii嵌入式软核处理器的嵌入式系统设计解决方案
科创板上市委同意埃夫特的首发上市申请
兰钧首批314Ah电芯正式量产下线
关于预测AI的十项原则
德索LVDS端子冷知识
商汤和港中大开源了基于PyTorch的检测库——mmdetection
威控科技热电厂热网无线远程计量监控解决方案
焊机联网系统
智能手机白屏死机避免方法
何飚升任中国联通副总经理
大陆工业和信息化部：四方面推动人工智能产业发展
废气vocs在线监测仪正宗生产厂家
dfrobot记忆合金肌肉驱动器 介绍
瑞佑科技推出支持文字与绘图模式的TFT彩屏控制器
数控电源电路的工作原理、功能及故障分析
扫地机器人中的灰尘识别感应器用到了哪些技术
基于STM32采用CS创世 SD NAND(贴片SD卡)完成FATFS文件系统移植与测试（中篇）
5G真的来了 这些问题你一定想问！
2017三大领域展望：物联网（IoT）、VR/AR和机器学习
ST推出一款新的高集成度系统级芯片