MMDetection: bộ công cụ phát hiện đối tượng OpenMMLab

MMDetection là gì?

MMDetection là bộ công cụ mã nguồn mở cho phát hiện đối tượng, xây dựng trên PyTorch, thuộc dự án OpenMMLab. Nó gộp phát hiện đối tượng, phân đoạn instance, phân đoạn panoptic và phát hiện bán giám sát vào một framework module hóa, nơi backbone, neck và head được hoán đổi qua file config thay vì sửa code. MMDetection phụ thuộc vào MMEngine và MMCV cho huấn luyện và các phép toán thị giác máy tính cốt lõi.

Tính năng chính: thiết kế module hóa và hỗ trợ đa tác vụ

• ✓Thiết kế module hóa: README mô tả framework được tách thành các thành phần riêng — backbone, neck, head — mà bạn kết hợp lại thành một detector tùy chỉnh thay vì kế thừa một khối code liền.
• ✓Hỗ trợ đa tác vụ ngay từ đầu: phát hiện đối tượng, phân đoạn instance, phân đoạn panoptic và phát hiện đối tượng bán giám sát đều chạy qua cùng một codebase.
• ✓Kho kiến trúc rộng, trải từ Fast R-CNN, Faster R-CNN, RetinaNet, Cascade R-CNN, YOLOv3, DETR, Deformable DETR, DINO, GLIP đến RTMDet, cùng các backbone như Swin Transformer và ConvNeXt.
• ✓RTMDet, dòng detector thời gian thực mới hơn, đạt 52.8 AP trên COCO object detection ở tốc độ 322 FPS (TRT FP16, batch size 1, RTX 3090) theo đúng bảng benchmark trong README.
• ✓Các phép toán bbox và mask chạy trên GPU — README nói tốc độ huấn luyện nhanh hơn hoặc tương đương Detectron2, maskrcnn-benchmark và SimpleDet.
• ✓MM-Grounding-DINO, bản triển khai mã nguồn mở của Grounding DINO cho phát hiện open-vocabulary và phrase grounding, đi kèm trọng số pretrained Swin-B và Swin-L đã phát hành.

Cài đặt MMDetection

Bản thân README không có lệnh cài đặt — nó dẫn tới hướng dẫn 'Installation' chính thức trên mmdetection.readthedocs.io cho các bước pip/conda cụ thể, nên các lệnh chính xác không xuất hiện trong nguồn mà chúng tôi có. Điều được ghi rõ trực tiếp: nhánh main của MMDetection cần PyTorch 1.8 trở lên, và nó phụ thuộc vào hai thư viện chị em trong OpenMMLab là MMEngine (huấn luyện) và MMCV (các phép toán thị giác máy tính cốt lõi), cần cài cùng lúc. Ngoài phần này, trình tự cài đặt cụ thể không được ghi rõ trong README, và bạn sẽ cần theo hướng dẫn được liên kết.

Chạy một mô hình phát hiện đối tượng bằng file config

README của MMDetection không trình bày trực tiếp một file config hay lệnh huấn luyện cụ thể ngay trên trang — nó dẫn tới các hướng dẫn riêng 'Learn about Configs' và 'Inference with existing models', nên cú pháp lệnh chính xác không được ghi rõ trong nguồn hiện có. Về mặt khái niệm, quy trình làm việc đi theo hướng config: bạn chọn hoặc viết một file config lắp ráp các module backbone, neck và head, rồi trỏ script train/test vào file config đó thay vì sửa code Python huấn luyện trực tiếp. Có hướng dẫn riêng 'Train with customized datasets', và 'Finetuning Models' để tinh chỉnh từ trọng số pretrained.

Các use case và quy trình làm việc phổ biến

• •Huấn luyện một detector tùy chỉnh trên dataset định dạng COCO của riêng bạn cho một danh sách lớp cụ thể.
• •Đổi backbone (ví dụ Swin Transformer hoặc ConvNeXt) trên một detection head có sẵn để so sánh đánh đổi giữa độ chính xác và tốc độ mà không phải viết lại vòng lặp huấn luyện.
• •Chạy phân đoạn instance với Mask R-CNN hoặc các phương pháp mới hơn như Mask2Former trên cùng codebase dùng cho phát hiện đối tượng.
• •Phát hiện thời gian thực hoặc phát hiện đối tượng xoay (rotated object detection) với RTMDet, theo các benchmark được công bố trên COCO và DOTA.
• •Phát hiện open-vocabulary hoặc phrase-grounding qua MM-Grounding-DINO.

MMDetection vs Detectron2, MMYOLO, and other alternatives

Câu hỏi thường gặp

Vấn đề mà nó giải quyết

Nghiên cứu phát hiện đối tượng cho ra một kiến trúc mới sau mỗi vài tháng — một backbone mới, một detection head mới, một loss mới — và việc triển khai lại từng cái từ paper để so sánh với thứ bạn đang chạy là cả một dự án riêng. Vấn đề MMDetection giải quyết chính là khoảng cách so sánh đó: nó triển khai lại một danh sách dài các detector đã công bố (từ Fast R-CNN tới RTMDet tới DINO) trong một codebase dùng chung, để chuyển giữa các kiến trúc là đổi config chứ không phải viết lại từ đầu.

Ai nên thử — và ai nên bỏ qua

Nên thử MMDetection nếu bạn là researcher hoặc engineer cần nhiều hơn một kiến trúc phát hiện đối tượng trong vòng đời một dự án — so sánh Faster R-CNN với RTMDet với một biến thể DETR dựa trên transformer chỉ là đổi config ở đây, không phải viết lại từ đầu. Nó cũng hợp với các team đã ở trong hệ sinh thái OpenMMLab (MMCV, MMEngine) hoặc đang xây dựng trên MM-Grounding-DINO cho phát hiện open-vocabulary. Bỏ qua nó nếu bạn chỉ cần một mô hình YOLO chạy được trong một buổi chiều với ít dependency nhất có thể — hệ thống config và chuỗi MMEngine/MMCV là nhiều bộ máy hơn mức một dự án một kiến trúc cần.

Repo liên quan