MMdetection wird nicht mehr unterstützt

Die gesamte Palette der MM*-Tools ist jetzt am Ende der Lebensdauer (EOL)...

Inhaltsverzeichnis

Ich habe MMDetection (mmengine, mdet, mmcv) bereits häufig verwendet,
und jetzt scheint es aus dem Spiel zu sein.
Das ist schade. Ich mochte seine Modellbibliothek.

Siehe beispielsweise hier: Erkennung von Bewehrungsstahlkappen mit TensorFlow und hier: Objekterkennung mit Label Studio & MMDetection

mm train

MMDetection ist EOL

Ich war neugierig, warum es letztes Jahr keine Releases gab, und hier ist der Grund:

Wie wir in
https://github.com/open-mmlab/mmdetection/discussions/11815

sehen, schreibt mchaniotakis am 28. Juni 2024:

Ich denke, dass, obwohl openmmlab eine steile Lernkurve hat,
einmal eingerichtet, ein unglaublich nützliches Werkzeug ist.

Allerdings scheint die Entwicklung seit Ende Dezember
nach dem Tod des Professors Tang Xiaoou zum Stillstand gekommen zu sein.

Gibt es Pläne, die Entwicklung in der Zukunft fortzusetzen
(oder zumindest neue Maintainer zu benennen)?

Und die Antwort kam von maisonhai3:

Sie haben den MMLab aufgegeben.
Der Leiter des MMLab ist bereits vor Jahren verstorben.
Dann haben sie das Personal zu InternLM verlegt.
Dann ist sogar InternLM jetzt halb tot.

Ich liebe die Arbeiten des MMLab. Ihre Codequalität ist großartig. Einfach zu warten.

Ein bisschen über MMDetection…

MMDetection ist ein quelloffenes Objekterkennungstoolbox, das von OpenMMLab entwickelt wurde und auf PyTorch basiert. Es bietet ein umfassendes Framework für Aufgaben wie Objekterkennung, Instanzsegmentierung und Panoptic-Segmentierung. MMDetection ist modulär und ermöglicht es Nutzern, Komponenten wie Backbones, Necks, Heads und Verlustfunktionen anzupassen oder zu ersetzen, um einstufige, zweistufige oder mehrstufige Erkennungsmodelle zu erstellen.

Wichtige Merkmale sind:

  • Modulares Design: Komponenten wie Backbone, Neck, DenseHead, ROIExtractor und ROIHead können angepasst oder ersetzt werden.
  • Reichhaltige Modellsupport: Enthält state-of-the-art-Modelle wie Cascade R-CNN, FCOS und Dynamic R-CNN.
  • Integration: Kompatibel mit Tools wie ArcGIS für nahtlose Workflows.
  • Flexibilität: Unterstützt das Training und die Inferenz mit benutzerdefinierten Konfigurationen und vortrainierten Gewichten.

MMDetection wird aufgrund seiner Flexibilität und Leistungsmessungen häufig in der Forschung und Anwendung der Computervision verwendet.