目标检测王者库MMDetection迎来重大版本更新！

AI编辑：我是小将

如果要给目前的目标检测开源库排名的，那由商汤科技和香港中文大学开源的MMDetection库一定是最强的王者，这个开源库基于PyTorch，支持很多主流的目标检测模型，而且在不断更新。近期，MMDetection库迎来了V2.0版本的重大更新：

这个版本的更新属于重量级的，体现在各个方面：

• 更快的速度：无论是训练速度和推理速度都有大幅度的提升（30%和25%），目前训练速度已经和detectron2不相上下

• 更高的性能：调整一些超参数带来大部分模型效果的一定提升（具体见https://github.com/open-mmlab/mmdetection/blob/v2.0.0/docs/compatibility.md#training-hyperparameters）

• 文档和教程更加完善：新手更加容易入门；

  

• 支持PyTorch 1.5

• 配置文件优化：支持继承减少了大量冗余；

• 更好的模块化设计：凸显灵活性和易用性；

V2.0 的模块化设计比1.x更加细粒度，灵活性更强， 从单纯的目标检测框架向检测类任务的框架平台转变，新的模块设计如下图所示：

当然，更重要的是支持更多的模型，目前MMDetection已经支持持了35篇论文中的算法，提供了超过250 个预训练模型，是目标检测领域最大规模的模型库（这也是mmdet的最强的地方）。除此之外，还有 16 篇论文在 Github 上开源了基于 MMDetection 的代码。目前官方支持的方法如图所示：

不过值得注意的是，mmdetection 1.x训练的模型是不与2.x的模型是完全兼容的，但是官方提供了tools/upgrade_model_version.py脚本来转换模型，转换后的模型效果在v2.0中会有少许的下降，AP值低于1%。

更多更新内容见：

https://github.com/open-mmlab/mmdetection/blob/v2.0.0/docs/changelog.md

参考

1. https://github.com/open-mmlab/mmdetection/tree/v2.0.0

2. https://zhuanlan.zhihu.com/p/145084667

   ---

推荐阅读

堪比Focal Loss！解决目标检测中样本不平衡的无采样方法

PyTorch重大更新：将支持自动混合精度训练！

CVPR2020 论文系列一：VSGNet

超越BN和GN！谷歌提出新的归一化层：FRN

另辟蹊径！斯坦福大学提出边界框回归任务新Loss：GIoU

人人必须要知道的语义分割模型：DeepLabv3+

机器学习算法工程师

---

                                            一个用心的公众号

---