open-mmlab/mmselfsup

open-mmlab/mmselfsup has 3,305 GitHub stars and 438 forks. GitHot measured 0 stars in 24 hours and +2 in 7 days. Last checked 2026-11-09 13:44 UTC. Last push 2023-06-25.

这些数字如何统计

OpenMMLab 自监督学习工具箱与基准

3,305 星标 438 forks

可以做什么

Methods All in One MMSelfsup provides state-of-the-art methods in self-supervised learning. For comprehensive comparison in all benchmarks, most of the pre-training methods are under the same setting.
Modular Design MMSelfSup follows a similar code architecture of OpenMMLab projects with modular design, which is flexible and convenient for users to build their own algorithms.
Standardized Benchmarks MMSelfSup standardizes the benchmarks including logistic regression, SVM / Low-shot SVM from linearly probed features, semi-supervised classification, object detection and semantic segmentation.
Compatibility Since MMSelfSup adopts similar design of modulars and interfaces as those in other OpenMMLab projects, it supports smooth evaluation on downstream tasks with other OpenMMLab projects like object detection and segmentation.

实测星标增长

24小时: 0
7天: +2
15天: 更新延迟
1个月: 更新延迟

各周期内的星标净变化，周期相互重叠，并非每日新增。缺失的测量保持空白。星标代表关注度，不代表软件质量。

README_zh-CN.md

原文

OpenMMLab 官网 ^HOT OpenMMLab 开放平台 ^{TRY IT OUT}

📘使用文档 | 🛠️安装教程 | 👀模型库 | 🆕更新日志 | 🤔报告问题

🌟 MMPreTrain 旨在提供各种强大的预训练主干网络，并支持了不同的预训练策略。

:point_right: MMPreTrain 1.0 版本即将正式发布，欢迎大家试用并参与讨论！ :point_left:

English | 简体中文

介绍

MMSelfSup 是一个基于 PyTorch 实现的开源自监督表征学习工具箱，是 OpenMMLab 项目成员之一。

主分支代码支持 PyTorch 1.8 及以上的版本。

主要特性

多方法集成

MMSelfSup 提供了多种前沿的自监督学习算法，大部分的自监督预训练学习都设置相同，以在基准中获得更加公平的比较。
模块化设计

MMSelfSup 遵照 OpenMMLab 项目一贯的设计理念，进行模块化设计，便于用户自定义实现自己的算法。
标准化的性能评测

MMSelfSup 拥有丰富的基准进行评估和测试，包括线性评估, 线性特征的 SVM / Low-shot SVM, 半监督分类, 目标检测和语义分割。
兼容性

兼容 OpenMMLab 各大算法库，拥有丰富的下游评测任务和预训练模型的应用。

更新

MMSelfSup v1.0.0 正式版已发布，请参考迁移指南以了解更多细节。

v1.0.0 版本已经在 2023.4.6 发布。

支持了 PixMIM 自监督算法
在 projects/dino/ 支持了 DINO
重构 file io 接口
完善部分文档

v1.0.0rc6 版本已经在 2023.2.10 发布。

在 projects/maskfeat_video/ 支持了 MaskFeat 的视频数据预训练
将部分文档翻译成中文

v1.0.0rc5 版本已经在 2022.12.30 发布。

支持了 BEiT v2, MixMIM, EVA
支持了模型分析工具 ShapeBias
添加 FGIA ACCV 2022 比赛第一名方案
重构了 t-SNE

请参考更新日志获取更多细节和历史版本信息。

MMSelfSup 1.x 和 0.x 的不同点写在迁移文档中。

安装

MMSelfSup 依赖 PyTorch, MMCV, MMEngine 和 MMClassification。

请参考安装文档获取更详细的安装指南。

快速入门

我们针对基础使用和进阶用法提供了用户指引：

Pretrain

Downetream Tasks

Useful Tools

我们也提供了进阶指引和 Colab 教程。

如果遇到问题，请参考常见问题解答。

模型库

请参考模型库查看我们更加全面的模型基准结果。

目前已支持的算法:

更多的算法实现已经在我们的计划中。

基准测试

基准测试方法	参考设置
ImageNet Linear Classification (Multi-head)	Goyal2019
ImageNet Linear Classification (Last)
ImageNet Semi-Sup Classification
Places205 Linear Classification (Multi-head)	Goyal2019
iNaturalist2018 Linear Classification (Multi-head)	Goyal2019
PASCAL VOC07 SVM	Goyal2019
PASCAL VOC07 Low-shot SVM	Goyal2019
PASCAL VOC07+12 Object Detection	MoCo
COCO17 Object Detection	MoCo
Cityscapes Segmentation	MMSeg
PASCAL VOC12 Aug Segmentation	MMSeg

参与贡献

我们非常欢迎任何有助于提升 MMSelfSup 的贡献，请参考贡献指南来了解如何参与贡献。

致谢

MMSelfSup 是一款由不同学校和公司共同贡献的开源项目，我们感谢所有为项目提供算法复现和新功能支持的贡献者，以及提供宝贵反馈的用户；同时，我们非常感谢 OpenSelfSup 的原开发者和贡献者。

我们希望该工具箱和基准测试可以为社区提供灵活的代码工具，供用户复现现有算法并开发自己的新模型，从而不断为开源社区提供贡献。

引用

如果您发现此项目对您的研究有用，请考虑引用：

@misc{mmselfsup2021,
    title={{MMSelfSup}: OpenMMLab Self-Supervised Learning Toolbox and Benchmark},
    author={MMSelfSup Contributors},
    howpublished = {\url{https://github.com/open-mmlab/mmselfsup}},
    year={2021}
}