MMdetection n'est plus pris en charge.

L'ensemble complet des outils MM* est en fin de vie...

Sommaire

J’ai utilisé MMDetection (mmengine, mdet, mmcv) assez souvent,
et maintenant il semble qu’il ait quitté la scène.
C’est une perte. J’aimais sa zoo de modèles.

Voyez par exemple ici : Détecteur d’objets pour les extrémités des barres d’armature en béton avec tensorflow et ici : Formation d’un détecteur d’objets AI avec Label Studio & MMDetection

mm train

MMDetection est en fin de vie

J’étais curieux de savoir pourquoi il n’y avait pas de nouvelles versions l’année dernière, et voici pourquoi :

Comme nous le voyons dans
https://github.com/open-mmlab/mmdetection/discussions/11815

mchaniotakis a commenté le 28 juin 2024 :

Je pense que, même si openmmlab a une courbe d'apprentissage raide,
une fois que c'est configuré, c'est un outil incroyable à utiliser.

Cependant, le développement semble avoir cessé depuis la fin de décembre
après le décès du professeur Tang Xiaoou.

Y a-t-il des plans pour continuer le développement à l'avenir
(ou du moins désigner de nouveaux mainteneurs) ?

Et la réponse est venue de maisonhai3 :

Ils ont abandonné le MMLab.
Le directeur du MMLab est décédé depuis des années.
Ensuite, ils ont transféré le personnel vers InternLM.
Ensuite, même InternLM est à moitié mort maintenant.

J'adore les travaux du MMLab. La qualité de leur code est excellente. Facile à maintenir.

Un peu sur MMDetection…

MMDetection est un outil open source de détection d’objets développé par OpenMMLab, basé sur PyTorch. Il fournit un cadre complet pour des tâches telles que la détection d’objets, la segmentation d’instances et la segmentation panoptique. MMDetection est modulaire, permettant aux utilisateurs de personnaliser des composants tels que les backbones, les necks, les heads et les fonctions de perte pour construire des modèles de détection à une seule étape, à deux étapes ou à plusieurs étapes.

Les fonctionnalités clés incluent :

  • Conception modulaire : Des composants tels que le Backbone, le Neck, le DenseHead, le ROIExtractor et le ROIHead peuvent être personnalisés ou remplacés.
  • Support de modèles riche : Inclut des modèles d’avant-garde tels que le Cascade R-CNN, le FCOS et le Dynamic R-CNN.
  • Intégration : Compatibilité avec des outils tels qu’ArcGIS pour des flux de travail optimisés.
  • Flexibilité : Prend en charge l’entraînement et l’inférence avec des configurations et des poids préentraînés personnalisés.

MMDetection est largement utilisé dans la recherche et les applications en vision par ordinateur en raison de sa flexibilité et de ses benchmarks de performance.

Liens utiles