Breaking Changes
^^^^^^^^^^^^^^^^

• 修改了custom_evaluator中get_miss_rate方法的参数配置,使得能够在其内部计算不同fppi阈值下的ap值。传入时应增加drec与prec,返回值增加fppi_ap

Highlights
^^^^^^^^^^

• 算法类型:
  * 【目标检测】
  * 支持YOLOV6、OneNet (nms-free)、OTA 等算法
  * 支持重参数化算法RepVgg 版本resnet

• 通用特性
  * 【大模型训练推理】
  * 动态Checkpoint 算法支持:动态的选择最优的checkpoint 模块进行更快速的模型训练
  * 超大规模训练list 推理支持:解决了内存溢出的问题、支持断点resume 功能
  * 【神经网络搜索】
  * 支持BigNas 系列模型搜索功能,配合lantency 测速功能可以选取最优的网络结构
  * 支持基于强化学习的模型搜索方法 Meta-X

Other Features
^^^^^^^^^^^^^^

• 支持类别数为1时的3d检测及det_3d 任务的部署
• 支持检测标注漏标检查
• 支持group evaluator,更好处理密集目标的数据集问题
• 支持video inference功能
• 新增inference中分类和分割任务结果可视化的功能
• 支持key_replace的weapper方式
• 新增list_balance及class_balance的sampler方式
• 新增eval中metric可以指定compare key的功能
• 支持忽略指定类别的情况下进行bad case analysis
• RetinaNet添加share_location, class_first字段,支持每个类的独立回归 (仅支持推理)
• 新增custom dataset和rank custom dataset的test resume
• 支持在resnet中指定池化层以及out_channel宽度
• 新增分类后处理量化功能
• 支持获取clsdataset中每种类别所包含样本的id及各类别样本数目的方法
• 提供build前后内存使用信息
• 支持计算clseval中平均f1/acc/prec
• 支持MR eval区分目标size进行评测
• 支持grad_cam及特征图可视化
• 部署生成meta.json添加model_name信息
• 支持样本标签合理性判断,支持样本漏标可能性的判断
• 支持内存监测相关hook
• 支持根据file list及file folder直接进行推理的功能
• 支持在cfg中指定latest save freq

Bug Fixes
^^^^^^^^^

• 修复了配置文件中data_pool指定为空列表时引起的bug
• 修改分类任务中存储结果,可以选择性存储所有score
• 修复resnet中freeze layer在参数freeze后mode仍为training的bug
• 修复typos错误
• 修复了cfg中pretrain_model加载了错误参数的bug
• 修复了saver中拷贝文件及存储ckpt时目标路径存在文件而引起的bug
• 修复了multitast在eval阶段仍使用sysn bn的bug
• 修复了ckpt中ema值为空时load失败的bug
• 修复了swin_trans cfg文件中lr_scheduler层级错误的bug
• 修复了分类任务中因存储数据变化而引起bad case analysys不适配的bug
• 修复了vis hook 文档和实际参数不匹配的问题
• 修复了semantic_fpn在inference仍计算loss的bug
• 修复了test_resume中done_imgs变量调用错误的bug
• 修复了retinenet iou分支转模型的bug
• 修复了QuantRunner类calibrate方法中错误track梯度的问题
• 修复了inference时读取ckpt时不适配的bug
• 修复了配置文件中train和test使用不同dataloader引起的inference中不适配bug
• 修复了ceph reader读取以‘/’开头的文件时join失败的bug
• 修复了roi_head中conv前后inplane不适配的bug
• 修复了label_mapping为none时image_source获取错误的bug
• 修复了launch为mpi时报错的bug

发布历史/Release History

v0.2.0

Breaking Changes
^^^^^^^^^^^^^^^^

• 本次重构了检测二阶段的结构组成,为了更加方便的进行量化和稀疏训练, 具体可以参考cfg。

Highlights
^^^^^^^^^^

• 算法类型:

  • 【3D算法】支持3D Point-Pillar 系列算法, 包含Pointpillar,Second, CenterPoint 等各个算法 3D benchmark <https://github.com/ModelTC/United-Perception/tree/main/benchmark/3d_detection_benchmark.md>_
  • 【语义分割】支持分割任务最新Sota 算法,Segformer,HrNet 系列,提供超高精度Baseline Seg benchmark <https://github.com/ModelTC/United-Perception/tree/main/benchmark/semantic_benchmark.md>_
  • 【目标检测】支持最新检测蒸馏算法,大幅度提升模型的精度 benchmark Det benchmark https://github.com/ModelTC/United-Perception/tree/main/benchmark/distillation.md>_

• 通用特性:

  • 【Transformer结构】支持Vision Transformer 系列,包含 Swin-Transformer, VIT,CSWin Transformer Cls benchmark <https://github.com/ModelTC/United-Perception/tree/main/benchmark/classification_benchmark.md>_
  • 【量化与稀疏】支持Amba、Ampere 检测分类稀疏训练;支持TensorRT、Snpe 、VITIS 等多个后端进行QAT量化,同时支持检测一阶段和二阶段算法 Quant benchmark <https://github.com/ModelTC/United-Perception/tree/main/benchmark/quant_benchmark.md>_
  • 【自监督算法】支持自监督算法, MOCO 系列、SimClr 系列、simsiam、MAE SSL benchmark <https://github.com/ModelTC/United-Perception/tree/main/benchmark/ssl_benchmark.md>_

• 易用工具:

  • 【大数据集训练】超大规模数据集训练和测试支持,Rank dataset 扩展到其他任务,同时支持多种模式进行内存友好推理。
  • 【其他】英文文档支持

Other Features
^^^^^^^^^^^^^^

• Condinst FCOS 添加
• 支持通过环境变量进行任务隔离
• 分类任务添加多标签支持和多分类支持
• 支持多个单独测试集eval功能
• RankDataset 重构支持分类检测等各个任务,支持推理时使用
• 大规模数据集推理内存优化
• 提供每个 iteration 耗时统计的分解(数据加载/前处理/forward/backward/梯度allreuce)信息
• 检测支持softer nms

Bug Fixes
^^^^^^^^^

• 修复stitch_expand 的没有被注册的bug
• 修复typos 错误
• 修复spconv,numba 引入的显存bug
• 修复各种日志debug 信息输出的bug
• 修复swin和cswin修改尺寸的bug,以进行检测
• 修复condinst中return_pos_inds为True时base_multicls roi_predictor的错误
• 修复推理时加载模型不导入ema的bug
• 修复swin导出不同阶段特征时out_planes不匹配的bug
• 修复cls_dataset meta file 有空格会有问题的bug
• 修复了fp16 grad clipping 的bug
• 修复了推理时有syncbn 报错的bug
• 修复了单卡测试没有finalize的bug
• 修复了dist 后端出现的一些不适配的bug
• 修复了torch_sigmoid_focal_loss设置不同类别alpha的bug
• 支持kitti evaluator自动保存性能最优的模型
• 修复了损失函数不包含模块前缀的bug
• 修复了gdbp测速不支持多batch size输入的bug
• 修复了time logger读取环境变量的bug

1. Add Equalized Focal Loss for Dense Long-Tailed Object Detection.
2. Add Quantization Aware Training(QAT) interface based on MQBench.
3. Add YOLOX-RET

The first version of EOD,
including yolov5, yolo-x and retinanet