[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-open-mmlab--mmrotate":3,"tool-open-mmlab--mmrotate":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",148568,2,"2026-04-09T23:34:24",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":73,"owner_website":77,"owner_url":78,"languages":79,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":96,"env_os":97,"env_gpu":98,"env_ram":99,"env_deps":100,"category_tags":110,"github_topics":111,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":148},6119,"open-mmlab\u002Fmmrotate","mmrotate","OpenMMLab Rotated Object Detection Toolbox and Benchmark","MMRotate 是一个基于 PyTorch 开发的开源旋转目标检测工具箱，隶属于 OpenMMLab 项目系列。它主要解决传统水平检测框在处理航拍图像、遥感地图或密集排列物体时精度不足的问题，通过引入旋转边界框，能够更精准地定位任意角度的目标。\n\n这款工具非常适合计算机视觉领域的研究人员、算法工程师以及高校开发者使用。无论是希望复现前沿论文成果，还是需要在实际项目中部署高效的检测模型，MMRotate 都能提供强有力的支持。其核心亮点在于灵活 modular（模块化）的设计架构，允许用户像搭积木一样自由组合不同组件来构建新模型。同时，它原生支持三种主流的旋转角度表示方法，有效解决了不同学术标准间的兼容难题。工具箱内不仅集成了多种强基准模型，还收录了包括最新实时检测器 RTMDet 在内的最先进（SOTA）算法，在保持高精度的同时兼顾了推理速度，是进行旋转目标检测研究与开发的理想选择。","\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmrotate_readme_191886731ba4.png\" width=\"450\"\u002F>\n  \u003Cdiv> \u003C\u002Fdiv>\n  \u003Cdiv align=\"center\">\n    \u003Cb>\u003Cfont size=\"5\">OpenMMLab website\u003C\u002Ffont>\u003C\u002Fb>\n    \u003Csup>\n      \u003Ca href=\"https:\u002F\u002Fopenmmlab.com\">\n        \u003Ci>\u003Cfont size=\"4\">HOT\u003C\u002Ffont>\u003C\u002Fi>\n      \u003C\u002Fa>\n    \u003C\u002Fsup>\n        \n    \u003Cb>\u003Cfont size=\"5\">OpenMMLab platform\u003C\u002Ffont>\u003C\u002Fb>\n    \u003Csup>\n      \u003Ca href=\"https:\u002F\u002Fplatform.openmmlab.com\">\n        \u003Ci>\u003Cfont size=\"4\">TRY IT OUT\u003C\u002Ffont>\u003C\u002Fi>\n      \u003C\u002Fa>\n    \u003C\u002Fsup>\n  \u003C\u002Fdiv>\n  \u003Cdiv> \u003C\u002Fdiv>\n\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fmmrotate)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmmrotate)\n[![docs](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocs-latest-blue)](https:\u002F\u002Fmmrotate.readthedocs.io\u002Fen\u002Flatest\u002F)\n[![badge](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fworkflows\u002Fbuild\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Factions)\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fopen-mmlab\u002Fmmrotate\u002Fbranch\u002Fmain\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fopen-mmlab\u002Fmmrotate)\n[![license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fopen-mmlab\u002Fmmrotate.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fblob\u002Fmain\u002FLICENSE)\n[![open issues](https:\u002F\u002Fisitmaintained.com\u002Fbadge\u002Fopen\u002Fopen-mmlab\u002Fmmrotate.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fissues)\n[![issue resolution](https:\u002F\u002Fisitmaintained.com\u002Fbadge\u002Fresolution\u002Fopen-mmlab\u002Fmmrotate.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fissues)\n\n[📘Documentation](https:\u002F\u002Fmmrotate.readthedocs.io\u002Fen\u002Flatest\u002F) |\n[🛠️Installation](https:\u002F\u002Fmmrotate.readthedocs.io\u002Fen\u002Flatest\u002Finstall.html) |\n[👀Model Zoo](https:\u002F\u002Fmmrotate.readthedocs.io\u002Fen\u002Flatest\u002Fmodel_zoo.html) |\n[🆕Update News](https:\u002F\u002Fmmrotate.readthedocs.io\u002Fen\u002Flatest\u002Fchangelog.html) |\n[🚀Ongoing Projects](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fprojects) |\n[🤔Reporting Issues](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fissues\u002Fnew\u002Fchoose)\n\n\u003C\u002Fdiv>\n\n\u003C!--中\u002F英 文档切换-->\n\n\u003Cdiv align=\"center\">\n\nEnglish | [简体中文](README_zh-CN.md)\n\n\u003C\u002Fdiv>\n\n## Introduction\n\nMMRotate is an open-source toolbox for rotated object detection based on PyTorch.\nIt is a part of the [OpenMMLab project](https:\u002F\u002Fgithub.com\u002Fopen-mmlab).\n\nThe master branch works with **PyTorch 1.6+**.\n\nhttps:\u002F\u002Fuser-images.githubusercontent.com\u002F10410257\u002F154433305-416d129b-60c8-44c7-9ebb-5ba106d3e9d5.MP4\n\n\u003Cdetails open>\n\u003Csummary>\u003Cb>Major Features\u003C\u002Fb>\u003C\u002Fsummary>\n\n- **Support multiple angle representations**\n\n  MMRotate provides three mainstream angle representations to meet different paper settings.\n\n- **Modular Design**\n\n  We decompose the rotated object detection framework into different components,\n  which makes it much easy and flexible to build a new model by combining different modules.\n\n- **Strong baseline and State of the art**\n\n  The toolbox provides strong baselines and state-of-the-art methods in rotated object detection.\n\n\u003C\u002Fdetails>\n\n## What's New\n\n### Highlight\n\nWe are excited to announce our latest work on real-time object recognition tasks, **RTMDet**, a family of fully convolutional single-stage detectors. RTMDet not only achieves the best parameter-accuracy trade-off on object detection from tiny to extra-large model sizes but also obtains new state-of-the-art performance on instance segmentation and rotated object detection tasks. Details can be found in the [technical report](https:\u002F\u002Farxiv.org\u002Fabs\u002F2212.07784). Pre-trained models are [here](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Ftree\u002F1.x\u002Fconfigs\u002Frotated_rtmdet).\n\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Frtmdet-an-empirical-study-of-designing-real\u002Freal-time-instance-segmentation-on-mscoco)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Freal-time-instance-segmentation-on-mscoco?p=rtmdet-an-empirical-study-of-designing-real)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Frtmdet-an-empirical-study-of-designing-real\u002Fobject-detection-in-aerial-images-on-dota-1)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fobject-detection-in-aerial-images-on-dota-1?p=rtmdet-an-empirical-study-of-designing-real)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Frtmdet-an-empirical-study-of-designing-real\u002Fobject-detection-in-aerial-images-on-hrsc2016)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fobject-detection-in-aerial-images-on-hrsc2016?p=rtmdet-an-empirical-study-of-designing-real)\n\n| Task                     | Dataset | AP                                   | FPS(TRT FP16 BS1 3090) |\n| ------------------------ | ------- | ------------------------------------ | ---------------------- |\n| Object Detection         | COCO    | 52.8                                 | 322                    |\n| Instance Segmentation    | COCO    | 44.6                                 | 188                    |\n| Rotated Object Detection | DOTA    | 78.9(single-scale)\u002F81.3(multi-scale) | 121                    |\n\n\u003Cdiv align=center>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmrotate_readme_b5b09232c93f.png\"\u002F>\n\u003C\u002Fdiv>\n\n**0.3.4** was released in 01\u002F02\u002F2023:\n\n- Fix compatibility with numpy, scikit-learn, and e2cnn.\n- Support empty patch in Rotate Transform\n- use iof for RRandomCrop validation\n\nPlease refer to [changelog.md](docs\u002Fen\u002Fchangelog.md) for details and release history.\n\n## Installation\n\nMMRotate depends on [PyTorch](https:\u002F\u002Fpytorch.org\u002F), [MMCV](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv) and [MMDetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection).\nBelow are quick steps for installation.\nPlease refer to [Install Guide](https:\u002F\u002Fmmrotate.readthedocs.io\u002Fen\u002Flatest\u002Finstall.html) for more detailed instruction.\n\n```shell\nconda create -n open-mmlab python=3.7 pytorch==1.7.0 cudatoolkit=10.1 torchvision -c pytorch -y\nconda activate open-mmlab\npip install openmim\nmim install mmcv-full\nmim install mmdet\ngit clone https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate.git\ncd mmrotate\npip install -r requirements\u002Fbuild.txt\npip install -v -e .\n```\n\n## Get Started\n\nPlease see [get_started.md](docs\u002Fen\u002Fget_started.md) for the basic usage of MMRotate.\nWe provide [colab tutorial](demo\u002FMMRotate_Tutorial.ipynb), and other tutorials for:\n\n- [learn the basics](docs\u002Fen\u002Fintro.md)\n- [learn the config](docs\u002Fen\u002Ftutorials\u002Fcustomize_config.md)\n- [customize dataset](docs\u002Fen\u002Ftutorials\u002Fcustomize_dataset.md)\n- [customize model](docs\u002Fen\u002Ftutorials\u002Fcustomize_models.md)\n- [useful tools](docs\u002Fen\u002Ftutorials\u002Fuseful_tools.md)\n\n## Model Zoo\n\nResults and models are available in the *README.md* of each method's config directory.\nA summary can be found in the [Model Zoo](docs\u002Fen\u002Fmodel_zoo.md) page.\n\n\u003Cdetails open>\n\u003Csummary>\u003Cb>Supported algorithms:\u003C\u002Fb>\u003C\u002Fsummary>\n\n- [x] [Rotated RetinaNet-OBB\u002FHBB](configs\u002Frotated_retinanet\u002FREADME.md) (ICCV'2017)\n- [x] [Rotated FasterRCNN-OBB](configs\u002Frotated_faster_rcnn\u002FREADME.md) (TPAMI'2017)\n- [x] [Rotated RepPoints-OBB](configs\u002Frotated_reppoints\u002FREADME.md) (ICCV'2019)\n- [x] [Rotated FCOS](configs\u002Frotated_fcos\u002FREADME.md) (ICCV'2019)\n- [x] [RoI Transformer](configs\u002Froi_trans\u002FREADME.md) (CVPR'2019)\n- [x] [Gliding Vertex](configs\u002Fgliding_vertex\u002FREADME.md) (TPAMI'2020)\n- [x] [Rotated ATSS-OBB](configs\u002Frotated_atss\u002FREADME.md) (CVPR'2020)\n- [x] [CSL](configs\u002Fcsl\u002FREADME.md) (ECCV'2020)\n- [x] [R\u003Csup>3\u003C\u002Fsup>Det](configs\u002Fr3det\u002FREADME.md) (AAAI'2021)\n- [x] [S\u003Csup>2\u003C\u002Fsup>A-Net](configs\u002Fs2anet\u002FREADME.md) (TGRS'2021)\n- [x] [ReDet](configs\u002Fredet\u002FREADME.md) (CVPR'2021)\n- [x] [Beyond Bounding-Box](configs\u002Fcfa\u002FREADME.md) (CVPR'2021)\n- [x] [Oriented R-CNN](configs\u002Foriented_rcnn\u002FREADME.md) (ICCV'2021)\n- [x] [GWD](configs\u002Fgwd\u002FREADME.md) (ICML'2021)\n- [x] [KLD](configs\u002Fkld\u002FREADME.md) (NeurIPS'2021)\n- [x] [SASM](configs\u002Fsasm_reppoints\u002FREADME.md) (AAAI'2022)\n- [x] [Oriented RepPoints](configs\u002Foriented_reppoints\u002FREADME.md) (CVPR'2022)\n- [x] [KFIoU](configs\u002Fkfiou\u002FREADME.md) (arXiv)\n- [x] [G-Rep](configs\u002Fg_reppoints\u002FREADME.md) (stay tuned)\n\n\u003C\u002Fdetails>\n\n## Data Preparation\n\nPlease refer to [data_preparation.md](tools\u002Fdata\u002FREADME.md) to prepare the data.\n\n## FAQ\n\nPlease refer to [FAQ](docs\u002Fen\u002Ffaq.md) for frequently asked questions.\n\n## Contributing\n\nWe appreciate all contributions to improve MMRotate. Please refer to [CONTRIBUTING.md](.github\u002FCONTRIBUTING.md) for the contributing guideline.\n\n## Acknowledgement\n\nMMRotate is an open source project that is contributed by researchers and engineers from various colleges and companies. We appreciate all the contributors who implement their methods or add new features, as well as users who give valuable feedbacks. We wish that the toolbox and benchmark could serve the growing research community by providing a flexible toolkit to reimplement existing methods and develop their own new methods.\n\n## Citation\n\nIf you use this toolbox or benchmark in your research, please cite this project.\n\n```bibtex\n@inproceedings{zhou2022mmrotate,\n  title   = {MMRotate: A Rotated Object Detection Benchmark using PyTorch},\n  author  = {Zhou, Yue and Yang, Xue and Zhang, Gefan and Wang, Jiabao and Liu, Yanyi and\n             Hou, Liping and Jiang, Xue and Liu, Xingzhao and Yan, Junchi and Lyu, Chengqi and\n             Zhang, Wenwei and Chen, Kai},\n  booktitle={Proceedings of the 30th ACM International Conference on Multimedia},\n  year={2022}\n}\n```\n\n## License\n\nThis project is released under the [Apache 2.0 license](LICENSE).\n\n## Projects in OpenMMLab\n\n- [MMCV](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv): OpenMMLab foundational library for computer vision.\n- [MIM](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmim): MIM installs OpenMMLab packages.\n- [MMClassification](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmclassification): OpenMMLab image classification toolbox and benchmark.\n- [MMDetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection): OpenMMLab detection toolbox and benchmark.\n- [MMDetection3D](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection3d): OpenMMLab's next-generation platform for general 3D object detection.\n- [MMRotate](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate): OpenMMLab rotated object detection toolbox and benchmark.\n- [MMSegmentation](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmsegmentation): OpenMMLab semantic segmentation toolbox and benchmark.\n- [MMOCR](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmocr): OpenMMLab text detection, recognition, and understanding toolbox.\n- [MMPose](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmpose): OpenMMLab pose estimation toolbox and benchmark.\n- [MMHuman3D](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmhuman3d): OpenMMLab 3D human parametric model toolbox and benchmark.\n- [MMSelfSup](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmselfsup): OpenMMLab self-supervised learning toolbox and benchmark.\n- [MMRazor](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrazor): OpenMMLab model compression toolbox and benchmark.\n- [MMFewShot](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmfewshot): OpenMMLab fewshot learning toolbox and benchmark.\n- [MMAction2](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmaction2): OpenMMLab's next-generation action understanding toolbox and benchmark.\n- [MMTracking](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmtracking): OpenMMLab video perception toolbox and benchmark.\n- [MMFlow](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow): OpenMMLab optical flow toolbox and benchmark.\n- [MMEditing](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmediting): OpenMMLab image and video editing toolbox.\n- [MMGeneration](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration): OpenMMLab image and video generative models toolbox.\n- [MMDeploy](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdeploy): OpenMMLab model deployment framework.\n","\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmrotate_readme_191886731ba4.png\" width=\"450\"\u002F>\n  \u003Cdiv> \u003C\u002Fdiv>\n  \u003Cdiv align=\"center\">\n    \u003Cb>\u003Cfont size=\"5\">OpenMMLab 官网\u003C\u002Ffont>\u003C\u002Fb>\n    \u003Csup>\n      \u003Ca href=\"https:\u002F\u002Fopenmmlab.com\">\n        \u003Ci>\u003Cfont size=\"4\">热门\u003C\u002Ffont>\u003C\u002Fi>\n      \u003C\u002Fa>\n    \u003C\u002Fsup>\n        \n    \u003Cb>\u003Cfont size=\"5\">OpenMMLab 平台\u003C\u002Ffont>\u003C\u002Fb>\n    \u003Csup>\n      \u003Ca href=\"https:\u002F\u002Fplatform.openmmlab.com\">\n        \u003Ci>\u003Cfont size=\"4\">立即体验\u003C\u002Ffont>\u003C\u002Fi>\n      \u003C\u002Fa>\n    \u003C\u002Fsup>\n  \u003C\u002Fdiv>\n  \u003Cdiv> \u003C\u002Fdiv>\n\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fmmrotate)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmmrotate)\n[![docs](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocs-latest-blue)](https:\u002F\u002Fmmrotate.readthedocs.io\u002Fen\u002Flatest\u002F)\n[![badge](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fworkflows\u002Fbuild\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Factions)\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fopen-mmlab\u002Fmmrotate\u002Fbranch\u002Fmain\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fopen-mmlab\u002Fmmrotate)\n[![license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fopen-mmlab\u002Fmmrotate.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fblob\u002Fmain\u002FLICENSE)\n[![open issues](https:\u002F\u002Fisitmaintained.com\u002Fbadge\u002Fopen\u002Fopen-mmlab\u002Fmmrotate.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fissues)\n[![issue resolution](https:\u002F\u002Fisitmaintained.com\u002Fbadge\u002Fresolution\u002Fopen-mmlab\u002Fmmrotate.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fissues)\n\n[📘文档](https:\u002F\u002Fmmrotate.readthedocs.io\u002Fen\u002Flatest\u002F) |\n[🛠️安装](https:\u002F\u002Fmmrotate.readthedocs.io\u002Fen\u002Flatest\u002Finstall.html) |\n[👀模型库](https:\u002F\u002Fmmrotate.readthedocs.io\u002Fen\u002Flatest\u002Fmodel_zoo.html) |\n[🆕更新消息](https:\u002F\u002Fmmrotate.readthedocs.io\u002Fen\u002Flatest\u002Fchangelog.html) |\n[🚀正在进行的项目](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fprojects) |\n[🤔提交问题](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fissues\u002Fnew\u002Fchoose)\n\n\u003C\u002Fdiv>\n\n\u003C!--中\u002F英 文档切换-->\n\n\u003Cdiv align=\"center\">\n\nEnglish | [简体中文](README_zh-CN.md)\n\n\u003C\u002Fdiv>\n\n## 简介\n\nMMRotate 是一个基于 PyTorch 的开源旋转目标检测工具箱。\n它是 [OpenMMLab 项目](https:\u002F\u002Fgithub.com\u002Fopen-mmlab)的一部分。\n主分支支持 **PyTorch 1.6+**。\n\nhttps:\u002F\u002Fuser-images.githubusercontent.com\u002F10410257\u002F154433305-416d129b-60c8-44c7-9ebb-5ba106d3e9d5.MP4\n\n\u003Cdetails open>\n\u003Csummary>\u003Cb>主要特性\u003C\u002Fb>\u003C\u002Fsummary>\n\n- **支持多种角度表示**\n\n  MMRotate 提供三种主流的角度表示方式，以满足不同论文中的设置需求。\n\n- **模块化设计**\n\n  我们将旋转目标检测框架分解为多个组件，\n  这使得通过组合不同的模块来构建新模型变得更加容易和灵活。\n\n- **强大的基线与最先进方法**\n\n  该工具箱提供了旋转目标检测领域的强大基线和最先进方法。\n\n\u003C\u002Fdetails>\n\n## 最新动态\n\n### 亮点\n\n我们很高兴地宣布我们在实时目标识别任务上的最新成果——**RTMDet**，这是一系列全卷积单阶段检测器。RTMDet 不仅在从小型到超大型的各种模型尺寸上实现了最佳的参数与精度平衡，还在实例分割和旋转目标检测任务上取得了新的最先进性能。详细信息请参阅[技术报告](https:\u002F\u002Farxiv.org\u002Fabs\u002F2212.07784)。预训练模型可在[这里](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Ftree\u002F1.x\u002Fconfigs\u002Frotated_rtmdet)找到。\n\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Frtmdet-an-empirical-study-of-designing-real\u002Freal-time-instance-segmentation-on-mscoco)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Freal-time-instance-segmentation-on-mscoco?p=rtmdet-an-empirical-study-of-designing-real)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Frtmdet-an-empirical-study-of-designing-real\u002Fobject-detection-in-aerial-images-on-dota-1)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fobject-detection-in-aerial-images-on-dota-1?p=rtmdet-an-empirical-study-of-designing-real)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Frtmdet-an-empirical-study-of-designing-real\u002Fobject-detection-in-aerial-images-on-hrsc2016)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fobject-detection-in-aerial-images-on-hrsc2016?p=rtmdet-an-empirical-study-of-designing-real)\n\n| 任务                     | 数据集 | AP                                   | FPS(TRT FP16 BS1 3090) |\n| ------------------------ | ------- | ------------------------------------ | ---------------------- |\n| 目标检测         | COCO    | 52.8                                 | 322                    |\n| 实例分割    | COCO    | 44.6                                 | 188                    |\n| 转角目标检测 | DOTA    | 78.9（单尺度）\u002F81.3（多尺度） | 121                    |\n\n\u003Cdiv align=center>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmrotate_readme_b5b09232c93f.png\"\u002F>\n\u003C\u002Fdiv>\n\n**0.3.4** 版本于 2023 年 1 月 2 日发布：\n\n- 修复了与 numpy、scikit-learn 和 e2cnn 的兼容性问题。\n- 支持旋转变换中的空补丁。\n- 在 RRandomCrop 验证中使用 iof。\n\n有关详细信息和发布历史，请参阅 [changelog.md](docs\u002Fen\u002Fchangelog.md)。\n\n## 安装\n\nMMRotate 依赖于 [PyTorch](https:\u002F\u002Fpytorch.org\u002F)、[MMCV](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv) 和 [MMDetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection)。\n以下是快速安装步骤。\n更多详细说明请参阅 [安装指南](https:\u002F\u002Fmmrotate.readthedocs.io\u002Fen\u002Flatest\u002Finstall.html)。\n\n```shell\nconda create -n open-mmlab python=3.7 pytorch==1.7.0 cudatoolkit=10.1 torchvision -c pytorch -y\nconda activate open-mmlab\npip install openmim\nmim install mmcv-full\nmim install mmdet\ngit clone https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate.git\ncd mmrotate\npip install -r requirements\u002Fbuild.txt\npip install -v -e .\n```\n\n## 开始使用\n\n请参阅 [get_started.md](docs\u002Fen\u002Fget_started.md) 了解 MMRotate 的基本用法。\n我们还提供了 [colab 教程](demo\u002FMMRotate_Tutorial.ipynb)，以及其他教程，包括：\n\n- [学习基础知识](docs\u002Fen\u002Fintro.md)\n- [了解配置文件](docs\u002Fen\u002Ftutorials\u002Fcustomize_config.md)\n- [自定义数据集](docs\u002Fen\u002Ftutorials\u002Fcustomize_dataset.md)\n- [自定义模型](docs\u002Fen\u002Ftutorials\u002Fcustomize_models.md)\n- [实用工具](docs\u002Fen\u002Ftutorials\u002Fuseful_tools.md)\n\n## 模型 zoo\n\n结果和模型可在各方法配置目录的 *README.md* 文件中找到。\n汇总信息请参阅 [Model Zoo](docs\u002Fen\u002Fmodel_zoo.md) 页面。\n\n\u003Cdetails open>\n\u003Csummary>\u003Cb>支持的算法：\u003C\u002Fb>\u003C\u002Fsummary>\n\n- [x] [旋转 RetinaNet-OBB\u002FHBB](configs\u002Frotated_retinanet\u002FREADME.md) (ICCV'2017)\n- [x] [旋转 FasterRCNN-OBB](configs\u002Frotated_faster_rcnn\u002FREADME.md) (TPAMI'2017)\n- [x] [旋转 RepPoints-OBB](configs\u002Frotated_reppoints\u002FREADME.md) (ICCV'2019)\n- [x] [旋转 FCOS](configs\u002Frotated_fcos\u002FREADME.md) (ICCV'2019)\n- [x] [RoI Transformer](configs\u002Froi_trans\u002FREADME.md) (CVPR'2019)\n- [x] [Gliding Vertex](configs\u002Fgliding_vertex\u002FREADME.md) (TPAMI'2020)\n- [x] [旋转 ATSS-OBB](configs\u002Frotated_atss\u002FREADME.md) (CVPR'2020)\n- [x] [CSL](configs\u002Fcsl\u002FREADME.md) (ECCV'2020)\n- [x] [R\u003Csup>3\u003C\u002Fsup>Det](configs\u002Fr3det\u002FREADME.md) (AAAI'2021)\n- [x] [S\u003Csup>2\u003C\u002Fsup>A-Net](configs\u002Fs2anet\u002FREADME.md) (TGRS'2021)\n- [x] [ReDet](configs\u002Fredet\u002FREADME.md) (CVPR'2021)\n- [x] [Beyond Bounding-Box](configs\u002Fcfa\u002FREADME.md) (CVPR'2021)\n- [x] [Oriented R-CNN](configs\u002Foriented_rcnn\u002FREADME.md) (ICCV'2021)\n- [x] [GWD](configs\u002Fgwd\u002FREADME.md) (ICML'2021)\n- [x] [KLD](configs\u002Fkld\u002FREADME.md) (NeurIPS'2021)\n- [x] [SASM](configs\u002Fsasm_reppoints\u002FREADME.md) (AAAI'2022)\n- [x] [Oriented RepPoints](configs\u002Foriented_reppoints\u002FREADME.md) (CVPR'2022)\n- [x] [KFIoU](configs\u002Fkfiou\u002FREADME.md) (arXiv)\n- [x] [G-Rep](configs\u002Fg_reppoints\u002FREADME.md) (敬请期待)\n\n\u003C\u002Fdetails>\n\n## 数据准备\n\n请参考 [data_preparation.md](tools\u002Fdata\u002FREADME.md) 来准备数据。\n\n## 常见问题解答\n\n常见问题解答请参阅 [FAQ](docs\u002Fen\u002Ffaq.md)。\n\n## 贡献\n\n我们欢迎所有有助于改进 MMRotate 的贡献。请参阅 [CONTRIBUTING.md](.github\u002FCONTRIBUTING.md) 了解贡献指南。\n\n## 致谢\n\nMMRotate 是一个开源项目，由来自不同院校和公司的研究人员与工程师共同贡献而成。我们感谢所有实现其方法或添加新功能的贡献者，以及提供宝贵反馈的用户。我们希望该工具箱和基准能够为不断壮大的研究社区服务，提供一个灵活的工具集，用于复现现有方法并开发新的方法。\n\n## 引用\n\n如果您在研究中使用了本工具箱或基准，请引用该项目。\n\n```bibtex\n@inproceedings{zhou2022mmrotate,\n  title   = {MMRotate: A Rotated Object Detection Benchmark using PyTorch},\n  author  = {Zhou, Yue and Yang, Xue and Zhang, Gefan and Wang, Jiabao and Liu, Yanyi and\n             Hou, Liping and Jiang, Xue and Liu, Xingzhao and Yan, Junchi and Lyu, Chengqi and\n             Zhang, Wenwei and Chen, Kai},\n  booktitle={Proceedings of the 30th ACM International Conference on Multimedia},\n  year={2022}\n}\n```\n\n## 许可证\n\n本项目采用 [Apache 2.0 许可证](LICENSE) 发布。\n\n## OpenMMLab 中的项目\n\n- [MMCV](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv): OpenMMLab 计算机视觉基础库。\n- [MIM](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmim): MIM 用于安装 OpenMMLab 的软件包。\n- [MMClassification](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmclassification): OpenMMLab 图像分类工具箱及基准。\n- [MMDetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection): OpenMMLab 目标检测工具箱及基准。\n- [MMDetection3D](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection3d): OpenMMLab 下一代通用 3D 目标检测平台。\n- [MMRotate](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate): OpenMMLab 旋转目标检测工具箱及基准。\n- [MMSegmentation](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmsegmentation): OpenMMLab 语义分割工具箱及基准。\n- [MMOCR](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmocr): OpenMMLab 文本检测、识别和理解工具箱。\n- [MMPose](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmpose): OpenMMLab 人体姿态估计工具箱及基准。\n- [MMHuman3D](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmhuman3d): OpenMMLab 3D 人体参数化模型工具箱及基准。\n- [MMSelfSup](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmselfsup): OpenMMLab 自监督学习工具箱及基准。\n- [MMRazor](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrazor): OpenMMLab 模型压缩工具箱及基准。\n- [MMFewShot](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmfewshot): OpenMMLab 少样本学习工具箱及基准。\n- [MMAction2](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmaction2): OpenMMLab 下一代动作理解工具箱及基准。\n- [MMTracking](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmtracking): OpenMMLab 视频感知工具箱及基准。\n- [MMFlow](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow): OpenMMLab 光流计算工具箱及基准。\n- [MMEditing](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmediting): OpenMMLab 图像和视频编辑工具箱。\n- [MMGeneration](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration): OpenMMLab 图像和视频生成模型工具箱。\n- [MMDeploy](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdeploy): OpenMMLab 模型部署框架。","# MMRotate 快速上手指南\n\nMMRotate 是一个基于 PyTorch 的开源旋转目标检测工具箱，属于 OpenMMLab 项目系列。它支持多种角度表示法，提供了强大的基线模型和 SOTA 算法，适用于航拍图像、场景文本等旋转物体检测任务。\n\n## 1. 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**: Linux (推荐), Windows, macOS\n*   **Python**: 3.7+\n*   **PyTorch**: 1.6+ (推荐 1.7.0+)\n*   **CUDA**: 根据显卡驱动版本安装对应的 Toolkit (示例中使用 10.1)\n*   **前置依赖**: MMRotate 依赖 [MMCV](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv) 和 [MMDetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection)。\n\n> **国内开发者提示**：建议使用 Conda 管理环境，并在安装 Python 包时使用清华或阿里镜像源以加速下载。\n\n## 2. 安装步骤\n\n以下是基于 Conda 的快速安装流程。我们将创建一个名为 `open-mmlab` 的独立环境。\n\n### 第一步：创建并激活 Conda 环境\n\n```shell\nconda create -n open-mmlab python=3.7 pytorch==1.7.0 cudatoolkit=10.1 torchvision -c pytorch -y\nconda activate open-mmlab\n```\n\n### 第二步：安装 OpenMIM 工具\n\nOpenMIM 是 OpenMMLab 系列的包管理工具，能自动解决依赖关系。\n\n```shell\npip install openmim\n```\n\n*(可选加速)*: 若下载缓慢，可指定国内源：\n`pip install openmim -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n### 第三步：安装 MMCV 和 MMDetection\n\n使用 MIM 安装预编译的 MMCV-full 和 MMDetection，避免手动编译报错。\n\n```shell\nmim install mmcv-full\nmim install mmdet\n```\n\n### 第四步：克隆并安装 MMRotate\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate.git\ncd mmrotate\npip install -r requirements\u002Fbuild.txt\npip install -v -e .\n```\n\n*(可选加速)*: 最后一步安装也可使用国内源：\n`pip install -v -e . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 3. 基本使用\n\n安装完成后，您可以立即开始使用 MMRotate。最基础的用法包括推理演示、训练和测试。\n\n### 推理演示 (Demo)\n\nMMRotate 提供了简单的脚本用于单张图片或视频的推理。假设您已下载好模型配置文件和权重文件：\n\n```shell\npython demo\u002Fimage_demo.py demo\u002Fdemo.jpg configs\u002Frotated_faster_rcnn\u002Frotated_faster_rcnn_r50_fpn_1x_dota_le90.py rotated_faster_rcnn_r50_fpn_1x_dota_le90-0393aa5c.pth --out-file result.jpg\n```\n\n*   `demo\u002Fdemo.jpg`: 输入图片路径。\n*   `configs\u002F...`: 模型配置文件路径。\n*   `...pth`: 模型权重文件路径。\n*   `--out-file`: 输出结果保存路径。\n\n### 训练模型\n\n准备数据集（参考 `tools\u002Fdata\u002FREADME.md`）后，使用以下命令启动训练（单卡）：\n\n```shell\npython tools\u002Ftrain.py configs\u002Frotated_faster_rcnn\u002Frotated_faster_rcnn_r50_fpn_1x_dota_le90.py\n```\n\n多卡训练：\n\n```shell\nbash tools\u002Fdist_train.sh configs\u002Frotated_faster_rcnn\u002Frotated_faster_rcnn_r50_fpn_1x_dota_le90.py 4\n```\n\n### 测试模型\n\n使用训练好的权重进行评估：\n\n```shell\npython tools\u002Ftest.py configs\u002Frotated_faster_rcnn\u002Frotated_faster_rcnn_r50_fpn_1x_dota_le90.py rotated_faster_rcnn_r50_fpn_1x_dota_le90-0393aa5c.pth --eval mAP\n```\n\n---\n**更多资源**：\n*   详细教程与配置自定义：[官方文档](https:\u002F\u002Fmmrotate.readthedocs.io\u002Fen\u002Flatest\u002F)\n*   Colab 在线体验：[MMRotate Tutorial](demo\u002FMMRotate_Tutorial.ipynb)\n*   模型库汇总：[Model Zoo](https:\u002F\u002Fmmrotate.readthedocs.io\u002Fen\u002Flatest\u002Fmodel_zoo.html)","某遥感测绘团队正利用无人机航拍图像进行港口集装箱与船舶的自动化清点，需精准识别密集排列且任意角度旋转的目标。\n\n### 没有 mmrotate 时\n- **检测框冗余严重**：传统水平检测框（Horizontal BBox）无法贴合倾斜物体，导致相邻集装箱的边界框大面积重叠，后续非极大值抑制（NMS）极易误删真实目标。\n- **角度适配成本高**：面对不同论文中定义的旋转角度表示法（如 OpenCV 定义 vs 长边定义），开发人员需手动编写复杂的坐标转换代码，极易引入几何误差。\n- **模型复现困难**：缺乏统一的旋转检测基准框架，尝试复现 SOTA 算法时需从零搭建数据加载与损失函数模块，研发周期长达数周。\n- **小目标漏检率高**：通用检测器未针对航拍图中微小的旋转船只进行优化，在密集场景下漏检率居高不下。\n\n### 使用 mmrotate 后\n- **精准贴合目标**：直接调用内置的旋转框检测头，输出带角度参数的五维边界框，完美贴合倾斜集装箱，彻底解决密集遮挡下的误删问题。\n- **多表示法无缝切换**：利用其模块化设计，一键切换三种主流角度表示方式，无需关心底层数学转换，确保几何计算零误差。\n- **快速落地 SOTA 算法**：基于预置的 RTMDet 等强基线模型，仅需修改配置文件即可训练高精度旋转检测器，将算法验证周期从数周缩短至数天。\n- **专用优化提升精度**：借助针对航拍场景优化的数据增强与锚点策略，显著提升了对微小旋转船舶的召回率，清点准确率突破 95%。\n\nmmrotate 通过提供标准化的旋转检测全流程方案，让团队从繁琐的几何算法实现中解放出来，专注于业务场景的精度调优。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmrotate_84931fbd.png","open-mmlab","OpenMMLab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fopen-mmlab_7c171dd7.png","",null,"https:\u002F\u002Fopenmmlab.com","https:\u002F\u002Fgithub.com\u002Fopen-mmlab",[80,84,88],{"name":81,"color":82,"percentage":83},"Python","#3572A5",99.5,{"name":85,"color":86,"percentage":87},"Dockerfile","#384d54",0.3,{"name":89,"color":90,"percentage":91},"Shell","#89e051",0.2,2126,637,"2026-04-08T13:19:21","Apache-2.0",4,"Linux","需要 NVIDIA GPU，具体显存取决于模型大小和数据集，示例中使用了 RTX 3090，支持 CUDA 10.1+","未说明",{"notes":101,"python":102,"dependencies":103},"该工具基于 PyTorch，主要依赖 MMCV 和 MMDetection。官方安装示例使用 Python 3.7、PyTorch 1.7.0 和 CUDA 10.1。主分支兼容 PyTorch 1.6+。建议使用 conda 管理环境，并通过 openmim 安装依赖包。","3.7+",[104,105,106,107,108,109],"torch>=1.6","mmcv-full","mmdet","numpy","scikit-learn","e2cnn",[15,14],[112,113,114,115],"rotated-object","pytorch","openmmlab","detection","2026-03-27T02:49:30.150509","2026-04-10T11:23:29.979863",[119,124,129,134,139,144],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},27700,"训练或评估时出现 'CUDA error: an illegal memory access was encountered' 错误怎么办？","该错误通常由损坏的标签（bad labels）引起。当图像被分割成小块时，某些边界框可能被切断，从而在新图像边缘生成极窄的边界框。这些框经过网络前向传播后，会导致生成的预测张量维度异常大，进而超出计算容量导致崩溃。\n解决方案：\n1. 找到训练终止时正在处理的图像和标签文件，将其删除。\n2. 检查并删除类似截图中的异常标签（极窄或位置错误的边界框）。","https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fissues\u002F190",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},27701,"遇到 'ValueError: need at least one array to concatenate' 错误如何解决？","该错误通常发生在数据加载阶段，主要原因是数据集配置中的路径问题导致无法读取到任何数据样本。\n解决方案：\n1. 检查配置文件中的 `data_root` 参数，确保设置为数据集的绝对路径。\n2. 确认路径下确实存在符合格式要求的图像和标注文件。\n3. 如果修改为绝对路径后仍报错，请检查文件权限或路径字符串中是否包含特殊字符。","https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fissues\u002F35",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},27702,"使用提供的配置文件复现 Model Zoo 中的模型（如 Swin Transformer + KFIoU）时遇到问题怎么办？","复现模型时常见的问题包括预训练权重链接失效或环境配置不匹配。\n解决方案：\n1. 如果官方提供的预训练模型链接无效，需要手动下载对应的 Swin Transformer 预训练权重，并在配置文件中正确加载本地路径。\n2. 确保使用的 PyTorch、MMCV 和 MMRotate 版本与配置文件要求的版本一致（例如日志中显示的 PyTorch 1.10.0, CUDA 11.1 等）。\n3. 对比官方提供的日志文件（log.json）和自己的训练日志，检查损失值收敛曲线是否一致。","https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fissues\u002F236",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},27703,"运行测试脚本时出现 'TypeError: format_results() argument after ** must be a mapping, not bool' 错误？","此错误通常是由于代码版本不匹配或调用参数类型错误导致的。在较新的版本中，该问题可能已被修复或调用方式有所变更。\n解决方案：\n1. 确保使用的是最新版本的 MMRotate 代码库。\n2. 检查调用的测试脚本和配置文件是否与当前代码版本兼容。\n3. 如果问题依旧，建议根据报错堆栈自行调试，检查 `format_results` 函数的输入参数是否为预期的字典类型，而非布尔值。","https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fissues\u002F131",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},27704,"训练过程中 Loss 变为 NaN (nan) 是什么原因？","Loss 变为 NaN 通常由以下原因引起：\n1. 学习率设置过大，导致梯度爆炸。\n2. 数据集中存在异常的标注（如面积为 0 的框或坐标错误的框）。\n3. 混合精度训练（FP16）在某些特定算子下不稳定。\n解决方案：\n- 尝试减小学习率。\n- 检查并清洗数据集中的异常标注。\n- 暂时关闭 FP16 选项进行测试，确认是否由精度问题引起。","https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fissues\u002F1057",{"id":145,"question_zh":146,"answer_zh":147,"source_url":133},27705,"如何正确配置环境变量以解决 CUDA 或编译相关的报错？","遇到 CUDA 相关报错时，首先应收集完整的环境信息。\n解决方案：\n1. 运行 `python mmrotate\u002Futils\u002Fcollect_env.py` 命令收集系统环境信息（包括 Python 版本、PyTorch 版本、CUDA 版本、GCC 版本等）。\n2. 确保 NVCC 编译器版本与 PyTorch 编译时的 CUDA 版本兼容。\n3. 如果是编译错误，检查是否安装了正确的 GCC 版本（例如 Ubuntu 18.04 通常需要 GCC 7.x），并确认 `CUDA_HOME` 环境变量已正确指向 CUDA 安装目录。",[149,154,159,164,169,174,179,184,189,194],{"id":150,"version":151,"summary_zh":152,"released_at":153},186225,"v0.3.4","## 改进\n\n- 在 RRandomCrop 验证中使用 iof (#660)\n- 升级 e2cnn 版本 (#713)\n- 支持 Rotate Transform 中的空补丁 (#712)\n\n## Bug 修复\n\n- 修复 scikit-learn 安装问题 (#658)\n- 修复已弃用的 np.bool 使用 (#685)\n- 修复格式化时使用多进程的问题 (#679)\n\n## 文档更新\n\n- 对文档进行小幅修正 (#643)\n\n## 贡献者\n\n本次发布共有 3 名开发者做出贡献。\n感谢 @nijkah、@jistiak 和 @RangiLyu。\n\n## 新贡献者\n* @jistiak 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F643 中完成了首次贡献。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fcompare\u002Fv0.3.3...v0.3.4","2023-02-01T11:59:51",{"id":155,"version":156,"summary_zh":157,"released_at":158},186226,"v1.0.0rc1","## 亮点\n\n- 支持 [RTMDet](https:\u002F\u002Farxiv.org\u002Fabs\u002F2212.07784) 旋转目标检测模型。RTMDet 的技术报告已在 [arxiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2212.07784) 上发布 (#662)\n- 支持 H2RBox。(#644)\n\n## 新特性\n\n- 支持 PSC (#617)\n- 新增 [`projects\u002F`](.\u002Fprojects\u002F) 文件夹，并提供一个[示例](.\u002Fprojects\u002Fexample_project\u002FREADME.md)，供社区贡献项目。(#627)\n- 支持 DIOR 数据集。(#639)\n\n## Bug 修复\n\n- 修复 1.x 版本中的 `get_flops.py` 脚本。(#646)\n- 修复 Windows CI 问题。(#621)\n- 修复 rbbox_overlaps 中的错误。(#620)\n\n## 改进\n\n- 因 NumPy 新版本而弃用旧类型别名 (#674)\n- 在 RRandomCrop 中使用 iof。(#660)\n- 将 dataset.metainfo 中的键名改为小写。(#654)\n- 在 CI 中添加 PyTorch 1.13 支持。(#661)\n- 在 1.x 分支中添加 Dockerfile。(#631)\n- 在 TorchServe 部署中使用 mmengine。(#616)\n- 添加 `.pre-commit-config-zh-cn.yaml` 配置文件。(#630)\n\n## 贡献者\n\n本次发布共有 11 名开发者参与贡献。\n\n感谢 @yxzhao2022、@yuyi1005、@YanxingLiu、@nijkah、@RangeKing、@austinmw、@liuyanyi、@yangxue0827、@zytx121、@RangiLyu 和 @ZwwWayne。\n\n## 新贡献者\n\n- @yuyi1005 在 \u003Chttps:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F617> 中完成了首次贡献。\n- @yxzhao2022 在 \u003Chttps:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F639> 中完成了首次贡献。\n- @YanxingLiu 在 \u003Chttps:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F631> 中完成了首次贡献。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fcompare\u002Fv1.0.0rc0...v1.0.0rc1","2023-01-03T09:00:38",{"id":160,"version":161,"summary_zh":162,"released_at":163},186227,"v1.0.0rc0","我们很高兴地宣布 MMRotate 1.0.0rc0 正式发布。  \nMMRotate 1.0.0rc0 是 MMRotate 1.x 系列的第一个版本，属于 OpenMMLab 2.0 项目的一部分。  \n基于全新的 [训练引擎](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmengine)，MMRotate 1.x 统一了数据集、模型、评估和可视化等模块的接口，并显著提升了训练与推理的速度。\n\n## 亮点\n\n1. **全新引擎**。MMRotate 1.x 基于 [MMEngine](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmengine) 构建，该引擎提供了一个通用且强大的运行器，支持更灵活的自定义配置，同时大幅简化了高层接口的入口点。\n\n2. **统一的接口**。作为 OpenMMLab 2.0 项目的一部分，MMRotate 1.x 对训练、测试、数据集、模型、评估和可视化等模块的接口及内部逻辑进行了统一重构。所有 OpenMMLab 2.0 项目在这些接口和逻辑上采用一致的设计，从而促进多任务\u002F多模态算法的开发。\n\n3. **新的 BoxType 设计**。我们引入了 RotatedBoxes 和 QuadriBoxes 数据结构来封装不同类型的边界框。目前正逐步迁移至使用这些数据结构替代纯张量形式的边界框表示，以统一 MMDetection 3.x 和 MMRotate 1.x 中各类边界框的使用方式，从而简化实现并减少冗余代码。\n\n4. **更强的可视化能力**。我们提供了一系列实用工具，这些工具大多基于全新的可视化组件。因此，用户现在可以更加便捷地探索模型和数据集。\n\n## 重大变更\n\n以下简要列出主要的破坏性变更。我们将更新 [迁移指南](..\u002Fmigration.md)，以提供完整的细节和迁移说明。\n\n### 依赖项\n\n- MMRotate 1.x 依赖 MMEngine 运行。MMEngine 是 OpenMMLab 2.0 中用于深度学习模型训练的新基础库。文件 I\u002FO 和训练相关的依赖已从 MMCV 1.x 迁移到 MMEngine。\n- MMRotate 1.x 需要 MMCV>=2.0.0rc2。尽管 MMCV 自 2.0.0rc0 版本起不再维护训练功能，但 MMRotate 1.x 仍依赖 MMCV 中的数据增强、CUDA 算子以及图像处理接口。需要注意的是，自 MMCV 2.0.0rc0 起，“mmcv” 包提供了预编译的 CUDA 算子，而 “mmcv-lite” 则不再包含；同时，“mmcv-full” 已被弃用。\n- MMRotate 1.x 依赖 MMDetection>=3.0.0rc2。\n\n### 训练与测试\n\n- MMRotate 1.x 使用 [MMEngine](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmengine) 中的 Runner，而非 MMCV 中的 Runner。新 Runner 实现并统一了数据集、模型、评估和可视化组件的构建逻辑。因此，MMRotate 1.x 不再保留 `mmrotate.train.apis` 和 `tools\u002Ftrain.py` 中的相关构建逻辑，这些代码已被迁移到 [MMEngine](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmengine\u002Fblob\u002Fmain\u002Fmmengine\u002Frunner\u002Frunner.py) 中。请参阅 [MMEngine 中 Runner 的迁移指南]。","2022-11-07T14:05:22",{"id":165,"version":166,"summary_zh":167,"released_at":168},186228,"v0.3.3","### Bug 修复\n\n- 修复负样本训练时的 RepPoint bug (#396)\n- 修复 oriented_reppoints_head.py 中的 bug (#424)\n- 修复 mmcv-full 版本问题 (#423)\n\n### 改进\n\n- 将 issue 模板更新至 main 分支 (#579)\n- 修复 dev 分支的代码风格检查问题 (#578)\n\n### 文档\n\n- 更新引用信息 (#425)\n- 修复文档构建时的 Markdown 版本问题 (#414)\n\n### 贡献者\n\n本次发布共有 5 名开发者参与贡献。\n感谢 @yangxue0827、@ZwwWayne、@MinkiSong、@zytx121、@RangiLyu。","2022-10-27T08:46:37",{"id":170,"version":171,"summary_zh":172,"released_at":173},186229,"v0.3.2","### 更改日志\n\n#### v0.3.2（2022年6月7日）\n\n#### 亮点\n\n- 支持面向方向的重复点（CVPR'22）(#286)\n- 支持 ConvNeXt 主干网络（CVPR'22）(#343)\n\n#### 新特性\n\n- 支持 RMosaic。(#344)\n\n#### Bug 修复\n\n- 修复多类别旋转非极大值抑制中的 max_coordinate。(#346)\n- 修复 PolyRandomRotate 中的 bug。(#366)\n- 修复使用 huge_image_demo.py 时出现的内存不足问题 (#368)\n\n#### 改进\n\n- 更新 README.md 和 INSTALL.md。(#342)\n- 修复 rotated_fcos_head 中的拼写错误。(#354)\n- 更新基础配置的检查点和评估间隔。(#347)\n- 锁定 mdformat 版本以支持 Python 3.6，并在 setup.py 的 extras_require 中添加 mim (#359)\n- 在 CI 中添加 mim 测试 (#374)\n\n#### 贡献者\n\n本次发布共有 9 名开发者参与贡献。\n感谢 @LiWentomng、@heiyuxiaokai、@JinYuannn、@sltlls、@liuyanyi、@yangxue0827、@jbwang1997、@zytx121 和 @ZwwWayne。\n\n### 新贡献者\n* @LiWentomng 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F286 中做出了首次贡献。\n* @JinYuannn 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F354 中做出了首次贡献。\n* @sltlls 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F368 中做出了首次贡献。\n\n**完整更改日志**：https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fcompare\u002Fv0.3.1...v0.3.2","2022-07-06T14:10:34",{"id":175,"version":176,"summary_zh":177,"released_at":178},186230,"v0.3.1","## 亮点\n\n- 支持旋转 FCOS，该功能依赖于 MMCV 中的 [可微分旋转 IoU](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv\u002Fpull\u002F1854)。(#223)\n\n## 新特性\n\n- 更新 PolyRandomRotate，支持离散角度值。(#281)\n- 支持 RRandomCrop。(#322)\n- 在 merge_results 和 huge_image_demo.py 中支持掩码。(#280)\n- 支持不过滤无标注图像。(#323)\n- 在 build_dataset 中添加 MultiImageMixDataset。(#331)\n\n## Bug 修复\n\n- 修复 Windows CI 中的错误。(#324)\n- 修复配置文件中的数据路径错误。(#328)\n- 修复可视化 HRSC2016 检测结果时的 bug。(#329)\n\n## 改进\n\n- 添加 torchserve 的中文文档。(#287)\n- 修复 README 中的错别字。(#284)\n- 配置 Myst-parser 以解析锚点标签 (#305 #308)\n- 使用 mdformat 替代 markdownlint，避免安装 Ruby。(#306)\n- 修复多尺度分割间隔的错别字。(#272)\n\n## 贡献者\n\n本次发布共有 7 名开发者参与贡献。\n感谢 @liuyanyi @nijkah @remi-or @yangxue0827 @jbwang1997 @zytx121 @ZwwWayne。\n\n### 新贡献者\n* @remi-or 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F281 中完成了首次贡献。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fcompare\u002Fv0.3.0...v0.3.1","2022-06-06T14:44:36",{"id":180,"version":181,"summary_zh":182,"released_at":183},186231,"v0.3.0","## 亮点\n\n- 支持 TorchServe (#160)\n- 支持旋转 ATSS (CVPR'20) (#179)\n\n## 新特性\n\n- 更新 ReDet 在 HRSC2016 数据集上的性能。(#203)\n- 将可视化升级为不同类别的自定义颜色。这需要 mmdet>=2.22.0。(#187, #267, #270)\n- 更新稳定 KLD，解决了 KLD 训练中的 NaN 问题。(#183)\n- 支持在配置文件中设置数据加载器参数，并添加了处理配置兼容性的函数。(#215)\n  旧版与新版用法的对比如下。\n\n  \u003Ctable align=\"center\">\n    \u003Cthead>\n        \u003Ctr align='center'>\n            \u003Ctd>v0.2.0 之前\u003C\u002Ftd>\n            \u003Ctd>自 v0.3.0 起 \u003C\u002Ftd>\n        \u003C\u002Ftr>\n    \u003C\u002Fthead>\n    \u003Ctbody>\u003Ctr valign='top'>\n    \u003Cth>\n\n    ```python\n    data = dict(\n        samples_per_gpu=2, workers_per_gpu=2,\n        train=dict(type='xxx', ...),\n        val=dict(type='xxx', samples_per_gpu=4, ...),\n        test=dict(type='xxx', ...),\n    )\n    ```\n\n    \u003C\u002Fth>\n    \u003Cth>\n\n    ```python\n    # 推荐的清晰配置\n    data = dict(\n        train=dict(type='xxx', ...),\n        val=dict(type='xxx', ...),\n        test=dict(type='xxx', ...),\n        # 推理时使用不同的批大小。\n        train_dataloader=dict(samples_per_gpu=2, workers_per_gpu=2),\n        val_dataloader=dict(samples_per_gpu=4, workers_per_gpu=4),\n        test_dataloader=dict(samples_per_gpu=4, workers_per_gpu=4),\n    )\n\n    # 旧式写法仍然有效，但可以设置更多关于数据加载器的参数\n    data = dict(\n        samples_per_gpu=2,  # 仅对 train_dataloader 生效\n        workers_per_gpu=2,  # 仅对 train_dataloader 生效\n        train=dict(type='xxx', ...),\n        val=dict(type='xxx', ...),\n        test=dict(type='xxx', ...),\n        # 推理时使用不同的批大小。\n        val_dataloader=dict(samples_per_gpu=4, workers_per_gpu=4),\n        test_dataloader=dict(samples_per_gpu=4, workers_per_gpu=4),\n    )\n    ```\n\n    \u003C\u002Fth>\u003C\u002Ftr>\n  \u003C\u002Ftbody>\u003C\u002Ftable>\n- 添加 [get_flops](tools\u002Fanalysis_tools\u002Fget_flops.py) 工具 (#176)\n\n## Bug 修复\n\n- 修复旋转锚框内部 flags 的 bug。(#197)\n- 修复 GWD 的 NaN 问题。(#206)\n- 修复 eval_rbbox_map 中 labels_ignore 为 None 时的 bug。(#209)\n- 修复 'RoIAlignRotated' 对象没有 'output_size' 属性的 bug (#213)\n- 修复数据集单元测试中的 bug。(#222)\n- 修复 rotated_reppoints_head 中的 bug。(#246)\n- 修复 CI 和 Docker 中的 GPG 密钥错误。(#269)\n\n## 改进\n\n- 更新 README.md 中 mmrotate 的引用 (#263)\n- 更新 SASM (AAAI'22) 的介绍 (#184)\n- 修复配置文件和模型库文档中的错别字。(#199)\n- 统一文档中的 RBox 定义。(#234)\n\n## 贡献者\n\n本次发布共有 8 名开发者参与贡献。\n感谢 @nijkah @GamblerZSY @liuyanyi @yangxue0827 @grimoire @jbwang1997 @zytx121 @ZwwWayne\n\n### 新贡献者\n* @nijkah 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F209 中完成了首次贡献\n* @GamblerZSY 完成了他们的首次贡献","2022-04-30T09:11:37",{"id":185,"version":186,"summary_zh":187,"released_at":188},186232,"v0.2.0","## 新特性\n\n- 支持圆形平滑标签（CSL，ECCV'20）(#153)\n- 支持多机分布式训练 (#143)\n- 添加 [browse_dataset](tools\u002Fmisc\u002Fbrowse_dataset.py) 工具 (#98)\n- 添加 [gather_models](.dev_scripts\u002Fgather_models.py) 脚本 (#162)\n\n## Bug 修复\n\n- 移除 rbbox_overlaps 中的就地操作 (#155)\n- 修复文档字符串中的错误 (#137)\n- 修复 HRSCDataset 在 `clasesswise=ture` 模式下的 bug (#175)\n\n## 优化改进\n\n- 添加 `docs\u002Fzh_cn\u002Ftutorials\u002Fcustomize_dataset.md` 的中文翻译 (#65)\n- 为不同进程分配不同的随机种子 (#102)\n- 更新 install.md 中的从零开始安装脚本 (#166)\n- 改进所有 mmrotate 脚本的参数设置 (#168)\n\n## 贡献者\n\n本次发布共有 6 名开发者参与贡献。\n感谢 @zytx121、@yangxue0827、@ZwwWayne、@jbwang1997、@canoe-Z 和 @matrixgame2018。\n\n## 新贡献者\n* @canoe-Z 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F98 中完成了首次贡献。\n* @matrixgame2018 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F65 中完成了首次贡献。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fcompare\u002Fv0.1.1...v0.2.0","2022-04-01T14:49:52",{"id":190,"version":191,"summary_zh":192,"released_at":193},186233,"v0.1.1","### 新特性\n\n- 支持[大图像推理](deom\u002Fhuge_image_demo.py) (#34)\n- 支持HRSC数据集 (#96)\n- 支持混合精度训练 (#72)\n- 为初学者添加[Colab教程](demo\u002FMMRotate_Tutorial.ipynb) (#66)\n- 添加推理速度统计[工具](tools\u002Fanalysis_tools\u002Fbenchmark.py) (#86)\n- 添加混淆矩阵分析[工具](tools\u002Fanalysis_tools\u002Fconfusion_matrix.py) (#93)\n\n### Bug修复\n\n- 修复Swin预训练模型的URL错误 (#111)\n- 修复训练过程中SASM的bug (#105)\n- 修复当框过小时rbbox_overlaps异常的问题 (#61)\n- 修复可视化相关的bug (#12, #81)\n- 修复计算mAP时卡住的问题 (#14, #52)\n- 修复‘RoIAlignRotated’对象没有‘out_size’属性的bug (#51)\n- 在密集头中添加缺失的init_cfg (#37)\n- 修复需要额外安装mmcv的问题 (#17)\n- 修复文档中的错别字 (#3, #11, #36)\n\n### 改进\n\n- 将`eval_rbbox_map`从`mmrotate.datasets`移动到`mmrotate.core.evaluation` (#73)\n- 添加Windows CI (#31)\n- 添加版权提交钩子 (#30)\n- 添加`docs\u002Fzh_cn\u002Fget_started.md`的中文翻译 (#16)\n- 添加`docs\u002Fzh_cn\u002Ftutorials\u002Fcustomize_runtime.md`的中文翻译 (#22)\n- 添加`docs\u002Fzh_cn\u002Ftutorials\u002Fcustomize_config.md`的中文翻译 (#23)\n- 添加`docs\u002Fzh_cn\u002Ftutorials\u002Fcustomize_models.md`的中文翻译 (#27)\n- 添加`docs\u002Fzh_cn\u002Fmodel_zoo.md`的中文翻译 (#28)\n- 添加`docs\u002Fzh_cn\u002Ffaq.md`的中文翻译 (#33)\n\n### 贡献者\n\n本次发布共有13位开发者做出了贡献。\n感谢@zytx121 @yangxue0827 @jbwang1997 @liuyanyi @DangChuong-DC @RangeKing @liufeinuaa @np-csu @akmalulkhairin @SheffieldCao @BrotherHappy @Abyssaledge @q3394101\n\n## 新贡献者\n* @jbwang1997 在https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F12 中完成了首次贡献\n* @liufeinuaa 在https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F17 中完成了首次贡献\n* @triple-Mu 在https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F16 中完成了首次贡献\n* @np-csu 在https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F20 中完成了首次贡献\n* @SheffieldCao 在https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F22 中完成了首次贡献\n* @Abyssaledge 在https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F27 中完成了首次贡献\n* @BrotherHappy 在https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F33 中完成了首次贡献\n* @liuyanyi 在https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F37 中完成了首次贡献\n* @yangxue0827 在https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F36 中完成了首次贡献\n* @RangeKing 在https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F23 中完成了首次贡献\n* @DangChuong-DC 在https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F52 中完成了首次贡献\n* @akmalulkhairin 在https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F93 中完成了首次贡献\n* @lalalagogogochong 在https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate\u002Fpull\u002F105 中完成了首次贡献\n* @heiyuxiaokai 在ht中完成了首次贡献","2022-03-14T05:41:57",{"id":195,"version":196,"summary_zh":197,"released_at":198},186234,"v0.1.0","MMRotate 初次发布，支持以下算法：\n\n* [x] [旋转 RetinaNet-OBB\u002FHBB](configs\u002Frotated_retinanet\u002FREADME.md) (ICCV'2017)\n* [x] [旋转 FasterRCNN-OBB](configs\u002Frotated_faster_rcnn\u002FREADME.md) (TPAMI'2017)\n* [x] [旋转 RepPoints-OBB](configs\u002Frotated_reppoints\u002FREADME.md) (ICCV'2019)\n* [x] [RoI Transformer](configs\u002Froi_trans\u002FREADME.md) (CVPR'2019)\n* [x] [Gliding Vertex](configs\u002Fgliding_vertex\u002FREADME.md) (TPAMI'2020)\n* [x] [R\u003Csup>3\u003C\u002Fsup>Det](configs\u002Fr3det\u002FREADME.md) (AAAI'2021)\n* [x] [S\u003Csup>2\u003C\u002Fsup>A-Net](configs\u002Fs2anet\u002FREADME.md) (TGRS'2021)\n* [x] [ReDet](configs\u002Fredet\u002FREADME.md) (CVPR'2021)\n* [x] [超越边界框](configs\u002Fcfa\u002FREADME.md) (CVPR'2021)\n* [x] [Oriented R-CNN](configs\u002Foriented_rcnn\u002FREADME.md) (ICCV'2021)\n* [x] [GWD](configs\u002Fgwd\u002FREADME.md) (ICML'2021)\n* [x] [KLD](configs\u002Fkld\u002FREADME.md) (NeurIPS'2021)\n* [x] [SASM](configs\u002Fsasm_reppoints\u002FREADME.md) (AAAI'2022)\n* [x] [KFIoU](configs\u002Fkfiou\u002FREADME.md) (arXiv)\n* [x] [G-Rep](configs\u002Fg_reppoints\u002FREADME.md) (敬请期待)","2022-02-18T09:42:15"]