目录引言open-mmlab/mmclassificationhuggingface/pytorch-image-models(timm)facebookresearch/pyclsPaddleClas

官方开源地址：https://github.com/ultralytics/ultralyticsMMYOLO开源地址：https://github.com/open-mmlab/mmyolo/blob

:'c:\\programdata\\anaconda3\\envs\\open-mmlab\\lib\\site-packages\\__pycache__\\typing_ext

打开AnacondaPrompt输入d:进入D盘空间创建新环境condacreate-nmmlab1python=3.8-y其中这个mmlab1是环境名字，可以按自己喜好更改更换清华源condaconfig

OpenMMLab实战营打卡-第3课MMClassification介绍图像分类工具包MMClassification代码仓库：https://github.com/open-mmlab/mmclassification

本次课程老师主要向我们讲解了openmmlab中图像分类mmclassification的相关代码，介绍了其中部分参数所代表的含义。后半节课超算平台的老师通过对本次作业的演示，较为详细地介绍了超算平台的使用方式，让我对完成一次数据集训练的过程和平台的使用方式有了基本的认识，课后会借助课程回放以及参考文档完成本次作业。

监督学习：1.标注一个数据集；2.定义损失函数:0,1×ℕ→ℝ，衡量单个预测结果的"好/坏"；3.解一个最优化问题，寻找使得总损失最小。自监督学习：1.通过恰当设计辅助任务，让模型在无标注数据集上学习好的特征；2.再把模型放在一个相对小的标注数据集上训练分类（可选）；数据增强:几何变换色彩变幻随机遮挡

文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、图像分类二、神经网络三、OpenMMLabMMClassification介绍前言OpenMMLab为香港中文大学-商汤科技联合实验室MMLab

OpenMMLab为香港中文大学-商汤科技联合实验室MMLab开源的算法平台，不到两年时间，已经包含众多SOTA计算机视觉算法。本文将介绍这次学习收获。

https://github.com/open-mmlab/mmcv简介是OpenMMLab家自己开发的模块、包，其他框架的运行，例如MMDetection的运行是依赖于这个库的MMCV是一个面向计算机视觉的基础库

mmpose安装、使用教程mmpose安装教程1.安装mmcv-full2.安装MMPose2.安装mmdet使用教程1.预测图片2.预测视频mmposemmpose是商汤旗下有又一款好用的工具箱，主要是针对姿态识别任务开发的，包括人体姿态识别和动物姿态识别。里面继承很多现成的网络可以供大家使用，并且提供了训练好的权重。用户可以更具自己的需求训练自己的数据，或者直接应用他们的结果，反正就是很全面啦

0、更新源并创建conda环境aarch与arm架构的边缘设备需要下载:Archiconda（arm架构下的Anaconda替代品，Anaconda仅仅支持amd架构！！！）安装参考博文:NVIDIAJestonNano下载Anaconda代替品,点我进入博文~amd架构下linux下载Anaconda可以参考博文:linux下载Anaconda,点我进入博文~sudoapt-getupdates

OpenMMLab作业Homework1作业说明：https://github.com/open-mmlab/OpenMMLabCamp/blob/main/AI%20%E5%AE%9E%E6%88%98%

阅读大概需要5分钟Follow小博主，每天更新前沿干货转载自：机器之心新年伊始，香港中文大学多媒体实验室（MMLab）OpenMMLab又有新动作，发布了一款一体化视频目标感知平台MMTracking。

mmlab可在linux与windows跑，可以使用mim用于管理所有包，用来配置mmcv与mmcls。

part1MMClassificationMMClassification是图像分类的工具包，支持大量的图像分类模型MMClassfication仓库地址：https://github.com/open-mmlab

突出人工智能领域优势和交叉融合，特色的MMLab主要研究方向：机器学习、强化学习、半监督/弱监督/自监督学习等方向的前沿方法和理论长视频理解、3D视觉、生成模型等的计算机视觉新兴方向物体检测、动作识别等核心方向的性能突破深度学习的创新应用探索

AlexNet(2012提出的算法)第一个成功实现大规模图像的模型，在ImageNet数据集上达到~85%的top-5准确率•5个卷积层，3个全连接层，共有60M个可学习参数•使用ReLU激活函数，大幅提高收敛速度•实现并开源了cuda-convnet，在GPU上训练大规模神经网络在工程上成为可能；网络层数：11、13、16、19层•3×3卷积配合1像素的边界填充，维持空间分辨率•每隔几层倍增通道

MMClassification代码仓库：https://github.com/open-mmlab/mmclassification文档教程：https://mmclassification.readthedocs.io

读取MMlab准备深度学习训训练环境进入官网生成配置https://pytorch.org/get-started/locally/学习图像分类工具包MMClassification的丰富模型下载https

MMClassfication仓库地址：https://github.com/open-mmlab/mmclassificationMMClassfication教程地址：https://mmclassification.readthedocs.io

Stanford)69G大规模无人机(校园)图像数据集【Stanford】http://cvgl.stanford.edu/projects/uav_data/人脸素描数据集【CUHK】http://mmlab.ie.cuhk.edu.hk

之后介绍了mmlab的基本情况。它是一个开源算法代码库框架，包含了detection，segmentation，tracking等多种任务的经典算法。

mmlab寒假实战营注：本博客仅用于个人上课随手笔记计算机视觉算法基础与OpenMMLab介绍一、上课笔记1.视觉任务1.分类2.分类+单目标检测3.多目标检测4.语义分割（不管重合物体）5.实例分割（

第一课笔记计算机视觉目前已经有几十年的发展历史，早期的视觉技术只能对图像进行简单的处理，无法进行高层次的语义的理解。随着深度学习的发展，以AlexNet，vgg，resnet为代表的卷积神经网络，充分利用大规模的图像数据集ImageNet，目前在分类的任务上指标已经超过了人类。现在的计算机视觉技术不仅能够进行图像的分类，目标检测，图像分割等任务，还能进行图像生成能具有创造性的工作，应用的领域包括工

为了帮助更多的同学在复现上少走弯路，并且实现可以在一个相同的环境下比较不同的settings，香港中文大学-商汤科技联合实验室(MMLab)推出了OpenMMLab计划。

第二课笔记这次课程分为这些方面卷积网络的介绍深度学习复兴的标志性事件是2012AlexNet，使得GPU在工程上大规模训练卷积网络成为可能。随后研究者尝试将网络加深，并且采用3x3的卷积核来替换大尺寸的卷积核，从理论上将2个3x3的卷积核感受野相当于5x5的卷积，这方便的代表工作是vgg和googlenet。但是发现随着层数的加深，会出现梯度消失的问题，这时resnet比较好地解决了这个问题，该方

mmlab寒假实战营day2注：本博客仅用于个人上课随手笔记计算机视觉之图像分类算法介绍一、上课笔记1.传统学习图像特征方法使用方向梯度直方图来学习，将图像通过人工算法转为特征向量，进而转换为预测类别特征工程

1.计算机视觉的基础任务定义：使用算法对图片、视频等数据进行挖掘处理三大关键任务：图像分类问题（无需知道像素之间的关系）、目标检测（在图像分类基础上增加目标信息和位置信息）、图像分割。Localization：图像中只有一个物体，只需要定位着一个物体语义分割、实例分割（区分每一个同类物体）、关键点检测总之，都是模式识别和数据挖掘实例分割最难，图像分割最简单。2.经典网络Alexet出现后，使计算机

1.图像分类任务目标：给定一张图片，识别图片中的物体是什么；数学表示：图像X属于R（H，W,3)，类别为1，2，3，。。，K。从X映射到{K}步骤：1.收集数据，2.定义模型，3.训练，4.预测机器学习的局限：机器学习善于处理低维、分布相对简单的数据传统方法（设计图像特征）：图像通过人工设计的方法变为特征向量，经过机器学习进行分类使用深度学习：学习如何产生适合分类的特征层次化特征的实现方式：卷积实

图像分类与基础视觉模型一、问题描述图像分类：给定一张图片，识别出图片中物体所属的类别实现步骤：收集数据->定义模型->训练->预测二、卷积神经网络AlexNetVGG-19GoogLeNet残差学习：让新增加的层拟合浅层网络与深层网络之间的差异，更容易学习。梯度可以直接回传到浅层网络监督浅层网络的学习三、更强的分类模型神经架构搜索：借助强化学习设计网络结构VisionTransformers：使用

社区：https://openmmlab.com/mmlab框架新特性支持算法模块训练流程各个功能模块数据接口日志信息流

OpenMMLab总览openmmlab是一个大型视觉算法开源项目，https://github.com/open-mmlab其由多个模块组成，包括底层的基础库MMCV、MMEngine；中层的各算法模块

本次课程老师主要向我们讲解了图像分类与基础视觉模型的相关内容。图像分类的主要过程是对图像中物体选择适合图像的函数进行模型设计，再进行模型学习，这相当于求解的过程，最终得到图像的类别。我们可以通过卷积神经网络、轻量化卷积神经网络、神经结构搜索、transformer等方式进行模型设计。模型学习的方式主要有监督学习（损失函数、随机梯度下降算法、视觉模型常用训练技巧）与自监督学习。监督学习指基于标注数据

PyTorch和MMDetection的开源工具箱，专注于文本检测、文本识别以及相应的下游任务，如关键信息提取，是OpenMMLab项目的一部分，源码在https://github.com/open-mmlab

以下内容主要摘自于：https://openmmlab.com/开源项目：https://github.com/open-mmlab，包含很多项目，由于每个项目起始开发时间不同，因此各个项目发布版本并不统一

0前情提要open-mmlab部分框架，加方法综述，亲测可看。林达华主讲。

1.下载vs2019VisualStudio2019版本16.11发行说明|MicrosoftLearn2.修改环境配置3.载mmcv-full安装压缩包下载地址：GitHub-open-mmlab/mmcv

因为我本身基础比较差，老师向我推荐了openMMLab，让我学习一下，虽然我安装依赖包和PYTORCH安装了很长时间，最后没能在放假前测试，但是看了一些介绍视频和官方的一些知乎文章，我也对MMLab充满了兴趣

二.MMlab1.openmmlab是一个开源的深度学习工具2.里面包含了MMselfsup\MMpose等诸多深度学习工具3.在全球范围内有巨大影响力。

语义分割：将每个像素点按物体属性进行分类，同种物体用同一颜色标注。实例分割：将每个像素点按物体属性进行分类，并区分同种物体，不同个体不同颜色。全景分割：对图中的所有物体包括背景都要进行检测和分割。神经网络训练流程：1.计算样本损失；2.计算样本损失的梯度；3.根据梯度信息更新参数。欠拟合：没有捕捉训练数据中的规律，不能准确预测未来(测试集)数据，模型过于简单。拟合：捕捉到训练数据中的规律，可以准确

课程主要内容计算机视觉的介绍和发展历程OpenMMlab的介绍机器学习和神经网络简介机器学习开发流程分类神经网络训练步骤课堂总结前言提示：这里可以添加本文要记录的大概内容：OpenMMLab为香港中文大学-商汤科技联合实验室MMLab

通用视觉框架OpenMMLab（第一课）子豪兄熟悉的声线~~~1.环境配置实不相瞒，MMLab环境配置是真的难，各种报错，有时在linux还存在库版本不对的情况，好在都能解决。环境配置链接在此。

测试单个图片入口参数指定参数设置预测结果多个文件测试入口设置参数参数设置参数设置完就可以直接测试

一、机器学习1.机器学习的典型范式监督学习：数据是由人工标注的，数据之间存在某种映射关系，目的是让机器学习到数据和标签之间的关系无监督学习：数据是没有标签的，通过对数据分析，运用聚类等方法探索出不同数据之间的差异2.机器学习的基本流程训练->验证->应用3.基于梯度下降训练神经网络的整体流程二、卷积神经网络的基本结构卷积层：通过卷积计算，让原来是C通道的特征图转换成C’通道的特征图激活层：通过激活

OpenMMLabAI实战营Day2主讲人王若晖本讲全面介绍了计算机视觉领域的各种研究范式、需求和设计思路：CNN、轻量化、Transformer、自监督、优化器、训练技巧等，每一个部分mmlab都有研发工具包的支持

mmlab实战训练营学习心得计算机视觉是什么计算机视觉是一门让计算机学会"看"的学科，研究如何自动理解图像和视频中的内容微信扫一扫识物图像识别：识别图像中的物体是什么人脸检测：识别出照片中的脸并定位身份特征提取

目录01.mmlab界面02.重重之重03.虚拟环境04.进入创建的虚拟环境05.查看服务器或者电脑安装的CUDA版本06.进入pytorch官网找到对应torch下载命令：07.安装MMdetection08

conda配置环境condacreate-nopen-mmlabpython=3.8pytorch=1.10cudatoolkit=11.3torchvision-cpytorch-ycondaactivateopen-mmlabpip3installopenmimmiminstallmmcv-fullmiminstallmmdet#optionalmiminstallmmpose#optiona

cuda11.3配置open-mmlab环境记录环境为Linuxcondacreate-nopen-mmlabpython=3.7-ycondaactivateopen-mmlab#从https://download.pytorch.org