OpenMMLab website HOT      OpenMMLab platform TRY IT OUT
 
## Introduction [English](README.md) | 简体中文 [![Documentation](https://readthedocs.org/projects/mmfewshot/badge/?version=latest)](https://mmfewshot.readthedocs.io/en/latest/?badge=latest) [![actions](https://github.com/open-mmlab/mmfewshot/workflows/build/badge.svg)](https://github.com/open-mmlab/mmfewshot/actions) [![codecov](https://codecov.io/gh/open-mmlab/mmfewshot/branch/main/graph/badge.svg)](https://codecov.io/gh/open-mmlab/mmfewshot) [![PyPI](https://badge.fury.io/py/mmfewshot.svg)](https://pypi.org/project/mmfewshot/) [![LICENSE](https://img.shields.io/github/license/open-mmlab/mmfewshot.svg)](https://github.com/open-mmlab/mmfewshot/blob/master/LICENSE) [![Average time to resolve an issue](https://isitmaintained.com/badge/resolution/open-mmlab/mmfewshot.svg)](https://github.com/open-mmlab/mmfewshot/issues) [![Percentage of issues still open](https://isitmaintained.com/badge/open/open-mmlab/mmfewshot.svg)](https://github.com/open-mmlab/mmfewshot/issues) MMFewShot 是一款基于 PyTorch 的少样本学习代码库，是 [OpenMMLab](http://openmmlab.org/) 项目的成员之一。 主分支代码目前支持 **PyTorch 1.5 以上**的版本。 ### 主要特性 - **支持多种少样本任务** MMFewShot 为少样本分类和检测任务提供了的统一实现和评估框架。 - **模块化设计** MMFewShot 将不同少样本任务解耦成不同的模块组件，通过组合不同的模块组件，用户可以便捷地构建自定义的少样本算法模型。 - **强大的基准模型与SOTA** MMFewShot 提供了少样本分类和检测任务中最先进的算法和强大的基准模型.
## 开源许可证 该项目采用 [Apache 2.0 开源许可证](LICENSE) ## 基准测试和模型库 测试结果和模型可以在[模型库](docs/model_zoo.md)中找到。 已支持的算法：
classification - [x] [Baseline](configs/classification/baseline/README.md) (ICLR'2019) - [x] [Baseline++](configs/classification/baseline_plus/README.md) (ICLR'2019) - [x] [NegMargin](configs/classification/neg_margin/README.md) (ECCV'2020) - [x] [MatchingNet](configs/classification/matching_net/README.md) (NeurIPS'2016) - [x] [ProtoNet](configs/classification/proto_net/README.md) (NeurIPS'2017) - [x] [RelationNet](configs/classification/relation_net/README.md) (CVPR'2018) - [x] [MetaBaseline](configs/classification/meta_baseline/README.md) (ICCV'2021) - [x] [MAML](configs/classification/maml/README.md) (ICML'2017)
Detection - [x] [TFA](configs/detection/tfa/README.md) (ICML'2020) - [x] [FSCE](configs/detection/fsce/README.md) (CVPR'2021) - [x] [AttentionRPN](configs/detection/attention_rpn/README.md) (CVPR'2020) - [x] [MetaRCNN](configs/detection/meta_rcnn/README.md) (ICCV'2019) - [x] [FSDetView](configs/detection/fsdetview/README.md) (ECCV'2020) - [x] [MPSR](configs/detection/mpsr/README.md) (ECCV'2020)
## 更新记录 ## 安装与准备数据集 MMFewShot 依赖 [PyTorch](https://pytorch.org/) 和 [MMCV](https://github.com/open-mmlab/mmcv) 。 请参考[安装文档](docs/zh_cn/install.md)进行安装和参考[数据准备](tools/data/README.md)准备数据集。 ## 快速入门 如果初次了解少样本学习，你可以从[基础介绍](docs/en/intro.md)开始了解少样本学习的基本概念和 MMFewShot 的框架。 如果对少样本学习很熟悉，请参考[使用教程](docs/en/get_started.md)获取MMFewShot的基本用法。 MMFewShot 也提供了其他更详细的教程，包括： - 少样本分类 - [概览](docs/classification/overview.md) - [配置文件](docs/classification/customize_config.md) - [添加数据集](docs/classification/customize_dataset.md) - [添加新模型](docs/classification/customize_models.md) - [自定义模型运行环境](docs/classification/customize_runtime.md)。 - 少样本检测 - [概览](docs/detection/overview.md) - [配置文件](docs/detection/customize_config.md) - [添加数据集](docs/detection/customize_dataset.md) - [添加新模型](docs/detection/customize_models.md) - [自定义模型运行环境](docs/detection/customize_runtime.md)。 ## 贡献指南 我们感谢所有的贡献者为改进和提升 MMFewShot 所作出的努力。请参考[贡献指南](https://github.com/open-mmlab/mmfewshot/blob/main/.github/CONTRIBUTING.md)来了解参与项目贡献的相关指引。 ## 致谢 MMFewShot 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。 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： ```bibtex @misc{mmfewshot2021, title={OpenMMLab Few Shot Learning Toolbox and Benchmark}, author={mmfewshot Contributors}, howpublished = {\url{https://github.com/open-mmlab/mmfewshot}}, year={2021} } ``` ## OpenMMLab 的其他项目 - [MIM](https://github.com/open-mmlab/mim): MIM 是 OpenMMlab 项目、算法、模型的统一入口 - [MMClassification](https://github.com/open-mmlab/mmclassification): OpenMMLab 图像分类工具箱 - [MMDetection](https://github.com/open-mmlab/mmdetection): OpenMMLab 目标检测工具箱 - [MMDetection3D](https://github.com/open-mmlab/mmdetection3d): OpenMMLab 新一代通用 3D 目标检测平台 - [MMRotate](https://github.com/open-mmlab/mmrotate): OpenMMLab 旋转框检测工具箱与测试基准 - [MMSegmentation](https://github.com/open-mmlab/mmsegmentation): OpenMMLab 语义分割工具箱 - [MMOCR](https://github.com/open-mmlab/mmocr): OpenMMLab 全流程文字检测识别理解工具箱 - [MMPose](https://github.com/open-mmlab/mmpose): OpenMMLab 姿态估计工具箱 - [MMHuman3D](https://github.com/open-mmlab/mmhuman3d): OpenMMLab 人体参数化模型工具箱与测试基准 - [MMSelfSup](https://github.com/open-mmlab/mmselfsup): OpenMMLab 自监督学习工具箱与测试基准 - [MMRazor](https://github.com/open-mmlab/mmrazor): OpenMMLab 模型压缩工具箱与测试基准 - [MMFewShot](https://github.com/open-mmlab/mmfewshot): OpenMMLab 少样本学习工具箱与测试基准 - [MMAction2](https://github.com/open-mmlab/mmaction2): OpenMMLab 新一代视频理解工具箱 - [MMTracking](https://github.com/open-mmlab/mmtracking): OpenMMLab 一体化视频目标感知平台 - [MMFlow](https://github.com/open-mmlab/mmflow): OpenMMLab 光流估计工具箱与测试基准 - [MMEditing](https://github.com/open-mmlab/mmediting): OpenMMLab 图像视频编辑工具箱 - [MMGeneration](https://github.com/open-mmlab/mmgeneration): OpenMMLab 图片视频生成模型工具箱 - [MMDeploy](https://github.com/open-mmlab/mmdeploy): OpenMMLab 模型部署框架 ## 欢迎加入 OpenMMLab 社区 扫描下方的二维码可关注 OpenMMLab 团队的 [知乎官方账号](https://www.zhihu.com/people/openmmlab)，加入 OpenMMLab 团队的 [官方交流 QQ 群](https://jq.qq.com/?_wv=1027&k=aCvMxdr3)
我们会在 OpenMMLab 社区为大家 - 📢 分享 AI 框架的前沿核心技术 - 💻 解读 PyTorch 常用模块源码 - 📰 发布 OpenMMLab 的相关新闻 - 🚀 介绍 OpenMMLab 开发的前沿算法 - 🏃 获取更高效的问题答疑和意见反馈 - 🔥 提供与各行各业开发者充分交流的平台 干货满满 📘，等你来撩 💗，OpenMMLab 社区期待您的加入 👬