[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-xvjiarui--GCNet":3,"tool-xvjiarui--GCNet":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":102,"forks":103,"last_commit_at":104,"license":105,"difficulty_score":106,"env_os":107,"env_gpu":108,"env_ram":109,"env_deps":110,"category_tags":119,"github_topics":120,"view_count":10,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":125,"updated_at":126,"faqs":127,"releases":158},990,"xvjiarui\u002FGCNet","GCNet","GCNet: Non-local Networks Meet Squeeze-Excitation Networks and Beyond","GCNet 是一种用于目标检测和实例分割的开源工具，结合了非局部网络（NLNet）和挤压激励网络（SENet）的优势，专注于全局上下文建模。它通过引入简单高效的 GC 块，解决了传统方法在捕捉全局信息时计算复杂度高或效果有限的问题，能够在多种视觉任务中显著提升性能。\n\n对于从事计算机视觉研究的开发者和研究人员来说，GCNet 是一个理想的工具。它基于 mmdetection 框架实现，代码结构清晰易用，适合希望在目标检测、实例分割等领域探索更优模型的研究人员。同时，由于其模块化设计，开发者可以轻松将 GC 块集成到自己的项目中。\n\n技术亮点在于 GCNet 提出了一种新颖的全局上下文建模方法，既保留了 NLNet 的全局信息捕获能力，又借鉴了 SENet 的轻量化设计，从而实现了高效性和高性能的平衡。此外，GCNet 在多个公开数据集上表现出色，并获得了 ICCV 2019 Neural Architects Workshop 的最佳论文奖，进一步证明了其创新性和实用性。\n\n如果你正在寻找一种能够有效提升目标检测和实例分割性能的工具，GCNet 无疑是一个值得尝试的选择。","# GCNet for Object Detection\n\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fglobal-context-networks\u002Fobject-detection-on-coco-minival)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fobject-detection-on-coco-minival?p=global-context-networks)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fglobal-context-networks\u002Finstance-segmentation-on-coco-minival)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Finstance-segmentation-on-coco-minival?p=global-context-networks)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fglobal-context-networks\u002Fobject-detection-on-coco)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fobject-detection-on-coco?p=global-context-networks)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fglobal-context-networks\u002Finstance-segmentation-on-coco)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Finstance-segmentation-on-coco?p=global-context-networks)\n\n\nBy [Yue Cao](http:\u002F\u002Fyue-cao.me), [Jiarui Xu](http:\u002F\u002Fjerryxu.net), [Stephen Lin](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=c3PYmxUAAAAJ&hl=en), Fangyun Wei, [Han Hu](https:\u002F\u002Fsites.google.com\u002Fsite\u002Fhanhushomepage\u002F).\n\nThis repo is a official implementation of [\"GCNet: Non-local Networks Meet Squeeze-Excitation Networks and Beyond\"](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.11492) on COCO object detection based on open-mmlab's [mmdetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection). The core operator GC block could be find [here](https:\u002F\u002Fgithub.com\u002Fxvjiarui\u002FGCNet\u002Fblob\u002Fmaster\u002Fmmdet\u002Fops\u002Fgcb\u002Fcontext_block.py). \nMany thanks to mmdetection for their simple and clean framework. \n\n*Update on 2020\u002F12\u002F07*\n\nThe extension of GCNet got accepted by TPAMI ([PDF](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2012.13375.pdf)).\n\n*Update on 2019\u002F10\u002F28*\n\nGCNet won the **Best Paper Award** at ICCV 2019 Neural Architects Workshop!\n\n*Update on 2019\u002F07\u002F01*\n\nThe code is refactored. \nMore results are provided and all configs could be found in `configs\u002Fgcnet`.\n\n**Notes**: Both PyTorch official SyncBN and Apex SyncBN have some stability issues. \nDuring training, mAP may drops to zero and back to normal during last few epochs. \n\n*Update on 2019\u002F06\u002F03*\n\nGCNet is supported by the official mmdetection repo [here](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection\u002Ftree\u002Fmaster\u002Fconfigs\u002Fgcnet). \nThanks again for open-mmlab's work on open source projects.\n\n## Introduction\n\n**GCNet** is initially described in [arxiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.11492). Via absorbing advantages of Non-Local Networks (NLNet) and Squeeze-Excitation Networks (SENet),  GCNet provides a simple, fast and effective approach for global context modeling, which generally outperforms both NLNet and SENet on major benchmarks for various recognition tasks.\n\n## Citing GCNet\n\n```\n@article{cao2019GCNet,\n  title={GCNet: Non-local Networks Meet Squeeze-Excitation Networks and Beyond},\n  author={Cao, Yue and Xu, Jiarui and Lin, Stephen and Wei, Fangyun and Hu, Han},\n  journal={arXiv preprint arXiv:1904.11492},\n  year={2019}\n}\n```\n\n## Main Results\n\n### Results on R50-FPN with backbone (fixBN)\n\n|  Back-bone |       Model      | Back-bone Norm |       Heads      |     Context    | Lr schd | Mem (GB) | Train time (s\u002Fiter) | Inf time (fps) | box AP | mask AP | Download |\n|:---------:|:----------------:|:-------------:|:----------------:|:--------------:|:-------:|:--------:|:-------------------:|:--------------:|:------:|:-------:|:--------:|\n|  R50-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   |        -       |    1x   |    3.9   |        0.453        |      10.6      |  37.3  |   34.2  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpffUWWM4A0tFYYCk?e=IM6zgo)|\n|  R50-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   | GC(c3-c5, r16) |    1x   |    4.5   |        0.533        |      10.1      |  38.5  |   35.1  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r16_gcb_c3-c5_r50_fpn_1x_20190602-c550c707.pth)|\n|  R50-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   |  GC(c3-c5, r4) |    1x   |    4.6   |        0.533        |       9.9      |  38.9  |   35.5  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r4_gcb_c3-c5_r50_fpn_1x_20190602-18ae2dfd.pth)|\n|  R50-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   |        -       |    2x   |     -    |          -          |        -       |  38.2  |   34.9  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpf7epsyY_qoEN9Eg?e=CqN9yI)|\n|  R50-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   | GC(c3-c5, r16) |    2x   |     -    |          -          |        -       |  39.7  |   36.1  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpfFrg1q0y6j6KKy4?e=NdeFXG)|\n|  R50-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   |  GC(c3-c5, r4) |    2x   |     -    |          -          |        -       |  40.0  |   36.2  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpfllzv_nSW9WnDQ8?e=OzaGaL)|\n\n### Results on R50-FPN with backbone (syncBN)\n\n|  Back-bone |       Model      | Back-bone Norm |       Heads      |     Context    | Lr schd | Mem (GB) | Train time (s\u002Fiter) | Inf time (fps) | box AP | mask AP | Download |\n|:---------:|:----------------:|:-------------:|:----------------:|:--------------:|:-------:|:--------:|:-------------------:|:--------------:|:------:|:-------:|:--------:|\n|  R50-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   |        -       |    1x   |    3.9   |        0.543        |      10.2      |  37.2  |   33.8  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r50_fpn_syncbn_1x_20190602-bccc62fa.pth)|\n|  R50-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   | GC(c3-c5, r16) |    1x   |    4.5   |        0.547        |       9.9      |  39.4  |   35.7  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r16_gcb_c3-c5_r50_fpn_syncbn_1x_20190602-a0169c20.pth)|\n|  R50-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   |  GC(c3-c5, r4) |    1x   |    4.6   |        0.603        |       9.4      |  39.9  |   36.2  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r4_gcb_c3-c5_r50_fpn_syncbn_1x_20190602-ace08792.pth)|\n|  R50-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   |        -       |    2x   |    3.9   |        0.543        |      10.2      |  37.7  |   34.3  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpgQART6Djedy3UeL7?e=MvalDU)|\n|  R50-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   | GC(c3-c5, r16) |    2x   |    4.5   |        0.547        |       9.9      |  39.7  |   36.0  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpgQJHhiNkyVHcbHab?e=qiZ97L)|\n|  R50-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   |  GC(c3-c5, r4) |    2x   |    4.6   |        0.603        |       9.4      |  40.2  |   36.3  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpgQEBgYg6XZnder10?e=VeeWeq)|\n|  R50-FPN |       Mask       |     SyncBN    | 4conv1fc (SyncBN) |        -       |    1x   |     -    |          -          |        -       |  38.8  |   34.6  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpgQTW281dmK9sfiA1?e=xwK5Tw)|\n|  R50-FPN |       Mask       |     SyncBN    | 4conv1fc (SyncBN) | GC(c3-c5, r16) |    1x   |     -    |          -          |        -       |  41.0  |   36.5  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpgQOpmj-j0ctBAZog?e=q9pu4D)|\n|  R50-FPN |       Mask       |     SyncBN    | 4conv1fc (SyncBN) |  GC(c3-c5, r4) |    1x   |     -    |          -          |        -       |  41.4  |   37.0  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpgQW2a6BmnRJhqWbe?e=ECVmTx)|\n\n### Results on stronger backbones\n\n|  Back-bone |       Model      | Back-bone Norm |       Heads      |     Context    | Lr schd | Mem (GB) | Train time (s\u002Fiter) | Inf time (fps) | box AP | mask AP | Download |\n|:---------:|:----------------:|:-------------:|:----------------:|:--------------:|:-------:|:--------:|:-------------------:|:--------------:|:------:|:-------:|:--------:|\n| R101-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   |        -       |    1x   |    5.8   |        0.571        |       9.5      |  39.4  |   35.9  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpcZ9zKY77ptT4l9U?e=Xgm8j3)|\n| R101-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   | GC(c3-c5, r16) |    1x   |    7.0   |        0.731        |       8.6      |  40.8  |   37.0  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r16_gcb_c3-c5_r101_fpn_1x_20190602-f4456442.pth)|\n| R101-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   |  GC(c3-c5, r4) |    1x   |    7.1   |        0.747        |       8.6      |  40.8  |   36.9  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r4_gcb_c3-c5_r101_fpn_1x_20190602-1ee20d5f.pth)|\n| R101-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   |        -       |    1x   |    5.8   |        0.665        |       9.2      |  39.8  |   36.0  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r101_fpn_syncbn_1x_20190602-b2a0e2b7.pth)|\n| R101-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   | GC(c3-c5, r16) |    1x   |    7.0   |        0.778        |       9.0      |  41.1  |   37.4  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r16_gcb_c3-c5_r101_fpn_syncbn_1x_20190602-717e6dbd.pth)|\n| R101-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   |  GC(c3-c5, r4) |    1x   |    7.1   |        0.786        |       8.9      |  41.7  |   37.6  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r4_gcb_c3-c5_r101_fpn_syncbn_1x_20190602-a893c718.pth)|\n| X101-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   |        -       |    1x   |    7.1   |        0.912        |       8.5      |  41.2  |   37.3  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_x101_32x4d_fpn_syncbn_1x_20190602-bb8ae7e5.pth)|\n| X101-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   | GC(c3-c5, r16) |    1x   |    8.2   |        1.055        |       7.7      |  42.4  |   38.0  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r16_gcb_c3-c5_x101_32x4d_fpn_syncbn_1x_20190602-c28edb53.pth)|\n| X101-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   |  GC(c3-c5, r4) |    1x   |    8.3   |        1.037        |       7.6      |  42.9  |   38.5  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r4_gcb_c3-c5_x101_32x4d_fpn_syncbn_1x_20190602-930b3d51.pth)|\n| X101-FPN |   Cascade Mask   |     SyncBN    |    2fc (w\u002Fo BN)   |        -       |    1x   |     -    |          -          |        -       |  44.7  |   38.3  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fcascade_mask_rcnn_x101_32x4d_fpn_syncbn_1x_20190602-63a800fb.pth)|\n| X101-FPN |   Cascade Mask   |     SyncBN    |    2fc (w\u002Fo BN)   | GC(c3-c5, r16) |    1x   |     -    |          -          |        -       |  45.9  |   39.3  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fcascade_mask_rcnn_r16_gcb_c3-c5_x101_32x4d_fpn_syncbn_1x_20190602-3e168d88.pth)|\n| X101-FPN |   Cascade Mask   |     SyncBN    |    2fc (w\u002Fo BN)   |  GC(c3-c5, r4) |    1x   |     -    |          -          |        -       |  46.5  |   39.7  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fcascade_mask_rcnn_r4_gcb_c3-c5_x101_32x4d_fpn_syncbn_1x_20190602-b579157f.pth)|\n| X101-FPN | DCN Cascade Mask |     SyncBN    |    2fc (w\u002Fo BN)   |        -       |    1x   |     -    |          -          |        -       |  47.1  |   40.4  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fcascade_mask_rcnn_dconv_c3-c5_x101_32x4d_fpn_syncbn_1x_20190602-9aa8c394.pth)|\n| X101-FPN | DCN Cascade Mask |     SyncBN    |    2fc (w\u002Fo BN)   | GC(c3-c5, r16) |    1x   |     -    |          -          |        -       |  47.9  |   40.9  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fcascade_mask_rcnn_r16_gcb_dconv_c3-c5_x101_32x4d_fpn_syncbn_1x_20190602-b86027a6.pth)|\n| X101-FPN | DCN Cascade Mask |     SyncBN    |    2fc (w\u002Fo BN)   |  GC(c3-c5, r4) |    1x   |     -    |          -          |        -       |  47.9  |   40.8  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fcascade_mask_rcnn_r4_gcb_dconv_c3-c5_x101_32x4d_fpn_syncbn_1x_20190602-b4164f6b.pth)|\n\n**Notes**\n- `GC` denotes Global Context (GC) block is inserted after 1x1 conv of backbone. \n- `DCN` denotes replace 3x3 conv with 3x3 Deformable Convolution in `c3-c5` stages of backbone.\n- `r4` and `r16` denote ratio 4 and ratio 16 in GC block respectively. \n- Some of models are trained on 4 GPUs with 4 images on each GPU.\n\n## Requirements\n\n- Linux(tested on Ubuntu 16.04)\n- Python 3.6+\n- PyTorch 1.1.0\n- Cython\n- [apex](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fapex) (Sync BN)\n\n## Install\n\na. Install PyTorch 1.1 and torchvision following the [official instructions](https:\u002F\u002Fpytorch.org\u002F).\n\nb. Install latest apex with CUDA and C++ extensions following this [instructions](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fapex#quick-start). \nThe [Sync BN](https:\u002F\u002Fnvidia.github.io\u002Fapex\u002Fparallel.html#apex.parallel.SyncBatchNorm) implemented by apex is required.\n\nc. Clone the GCNet repository. \n\n```bash\n git clone https:\u002F\u002Fgithub.com\u002Fxvjiarui\u002FGCNet.git \n```\n\nd. Compile cuda extensions.\n\n```bash\ncd GCNet\npip install cython  # or \"conda install cython\" if you prefer conda\n.\u002Fcompile.sh  # or \"PYTHON=python3 .\u002Fcompile.sh\" if you use system python3 without virtual environments\n```\n\ne. Install GCNet version mmdetection (other dependencies will be installed automatically).\n\n```bash\npython(3) setup.py install  # add --user if you want to install it locally\n# or \"pip install .\"\n```\n\nNote: You need to run the last step each time you pull updates from github. \nOr you can run `python(3) setup.py develop` or `pip install -e .` to install mmdetection if you want to make modifications to it frequently.\n\nPlease refer to mmdetection install [instruction](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection\u002Fblob\u002Fmaster\u002FINSTALL.md) for more details.\n\n## Environment\n\n### Hardware\n\n- 8 NVIDIA Tesla V100 GPUs\n- Intel Xeon 4114 CPU @ 2.20GHz\n\n### Software environment\n\n- Python 3.6.7\n- PyTorch 1.1.0\n- CUDA 9.0\n- CUDNN 7.0\n- NCCL 2.3.5\n\n## Usage\n\n### Train\n\nAs in original mmdetection, distributed training is recommended for either single machine or multiple machines.\n\n```bash\n.\u002Ftools\u002Fdist_train.sh \u003CCONFIG_FILE> \u003CGPU_NUM> [optional arguments]\n```\n\nSupported arguments are:\n\n- --validate: perform evaluation every k (default=1) epochs during the training.\n- --work_dir \u003CWORK_DIR>: if specified, the path in config file will be replaced.\n\n### Evaluation\n\nTo evaluate trained models, output file is required.\n\n```bash\npython tools\u002Ftest.py \u003CCONFIG_FILE> \u003CMODEL_PATH> [optional arguments]\n```\n\nSupported arguments are:\n\n- --gpus: number of GPU used for evaluation\n- --out: output file name, usually ends wiht `.pkl`\n- --eval: type of evaluation need, for mask-rcnn, `bbox segm` would evaluate both bounding box and mask AP. \n","# GCNet 用于目标检测\n\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fglobal-context-networks\u002Fobject-detection-on-coco-minival)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fobject-detection-on-coco-minival?p=global-context-networks)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fglobal-context-networks\u002Finstance-segmentation-on-coco-minival)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Finstance-segmentation-on-coco-minival?p=global-context-networks)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fglobal-context-networks\u002Fobject-detection-on-coco)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fobject-detection-on-coco?p=global-context-networks)\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fglobal-context-networks\u002Finstance-segmentation-on-coco)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Finstance-segmentation-on-coco?p=global-context-networks)\n\n\n作者：[Yue Cao](http:\u002F\u002Fyue-cao.me)，[Jiarui Xu](http:\u002F\u002Fjerryxu.net)，[Stephen Lin](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=c3PYmxUAAAAJ&hl=en)，Fangyun Wei，[Han Hu](https:\u002F\u002Fsites.google.com\u002Fsite\u002Fhanhushomepage\u002F)。\n\n本仓库是 [\"GCNet: Non-local Networks Meet Squeeze-Excitation Networks and Beyond\"](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.11492)（GCNet：非局部网络遇见挤压激励网络及更多）在 COCO 目标检测上的官方实现，基于 open-mmlab 的 [mmdetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection)。核心操作模块 GC 块可以在这里找到 [这里](https:\u002F\u002Fgithub.com\u002Fxvjiarui\u002FGCNet\u002Fblob\u002Fmaster\u002Fmmdet\u002Fops\u002Fgcb\u002Fcontext_block.py)。\n非常感谢 mmdetection 提供简洁且清晰的框架。\n\n*2020\u002F12\u002F07 更新*\n\nGCNet 的扩展版本已被 TPAMI 接收 ([PDF](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2012.13375.pdf))。\n\n*2019\u002F10\u002F28 更新*\n\nGCNet 获得了 ICCV 2019 Neural Architects Workshop 的 **最佳论文奖**！\n\n*2019\u002F07\u002F01 更新*\n\n代码已重构。\n提供了更多结果，所有配置文件可以在 `configs\u002Fgcnet` 中找到。\n\n**注意**：PyTorch 官方 SyncBN 和 Apex SyncBN 都存在一些稳定性问题。\n在训练过程中，mAP 可能在最后几个 epoch 中下降到零然后恢复正常。\n\n*2019\u002F06\u002F03 更新*\n\nGCNet 已被官方 mmdetection 仓库支持 [这里](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection\u002Ftree\u002Fmaster\u002Fconfigs\u002Fgcnet)。\n再次感谢 open-mmlab 对开源项目的贡献。\n\n## 简介\n\n**GCNet** 最初描述于 [arxiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.11492)。通过吸收非局部网络（NLNet）和挤压激励网络（SENet）的优点，GCNet 提供了一种简单、快速且有效的全局上下文建模方法，在各种识别任务的主要基准测试中通常优于 NLNet 和 SENet。\n\n## 引用 GCNet\n\n```\n@article{cao2019GCNet,\n  title={GCNet: Non-local Networks Meet Squeeze-Excitation Networks and Beyond},\n  author={Cao, Yue and Xu, Jiarui and Lin, Stephen and Wei, Fangyun and Hu, Han},\n  journal={arXiv preprint arXiv:1904.11492},\n  year={2019}\n}\n```\n\n## 主要结果\n\n### R50-FPN 骨干网络的结果 (fixBN)\n\n|  骨干网络 |       模型      | 骨干网络归一化 |       头部      |     上下文    | 学习率调度 | 内存 (GB) | 训练时间 (秒\u002F迭代) | 推理时间 (帧\u002F秒) | box AP | mask AP | 下载 |\n|:---------:|:----------------:|:-------------:|:----------------:|:--------------:|:-------:|:--------:|:-------------------:|:--------------:|:------:|:-------:|:--------:|\n|  R50-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   |        -       |    1x   |    3.9   |        0.453        |      10.6      |  37.3  |   34.2  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpffUWWM4A0tFYYCk?e=IM6zgo)|\n|  R50-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   | GC(c3-c5, r16) |    1x   |    4.5   |        0.533        |      10.1      |  38.5  |   35.1  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r16_gcb_c3-c5_r50_fpn_1x_20190602-c550c707.pth)|\n|  R50-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   |  GC(c3-c5, r4) |    1x   |    4.6   |        0.533        |       9.9      |  38.9  |   35.5  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r4_gcb_c3-c5_r50_fpn_1x_20190602-18ae2dfd.pth)|\n|  R50-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   |        -       |    2x   |     -    |          -          |        -       |  38.2  |   34.9  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpf7epsyY_qoEN9Eg?e=CqN9yI)|\n|  R50-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   | GC(c3-c5, r16) |    2x   |     -    |          -          |        -       |  39.7  |   36.1  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpfFrg1q0y6j6KKy4?e=NdeFXG)|\n|  R50-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   |  GC(c3-c5, r4) |    2x   |     -    |          -          |        -       |  40.0  |   36.2  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpfllzv_nSW9WnDQ8?e=OzaGaL)|\n\n### R50-FPN 使用 backbone（同步批归一化，syncBN）的结果\n\n|  骨干网络 |       模型      | 骨干网络归一化 |       头部结构      |     上下文    | 学习率计划 | 显存占用 (GB) | 训练时间 (秒\u002F迭代) | 推理时间 (帧率) | 边界框 AP | 分割掩码 AP | 下载 |\n|:---------:|:----------------:|:-------------:|:----------------:|:--------------:|:-------:|:--------:|:-------------------:|:--------------:|:------:|:-------:|:--------:|\n|  R50-FPN |       Mask       |     SyncBN    |    2fc（无 BN）   |        -       |    1x   |    3.9   |        0.543        |      10.2      |  37.2  |   33.8  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r50_fpn_syncbn_1x_20190602-bccc62fa.pth)|\n|  R50-FPN |       Mask       |     SyncBN    |    2fc（无 BN）   | GC(c3-c5, r16) |    1x   |    4.5   |        0.547        |       9.9      |  39.4  |   35.7  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r16_gcb_c3-c5_r50_fpn_syncbn_1x_20190602-a0169c20.pth)|\n|  R50-FPN |       Mask       |     SyncBN    |    2fc（无 BN）   |  GC(c3-c5, r4) |    1x   |    4.6   |        0.603        |       9.4      |  39.9  |   36.2  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r4_gcb_c3-c5_r50_fpn_syncbn_1x_20190602-ace08792.pth)|\n|  R50-FPN |       Mask       |     SyncBN    |    2fc（无 BN）   |        -       |    2x   |    3.9   |        0.543        |      10.2      |  37.7  |   34.3  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpgQART6Djedy3UeL7?e=MvalDU)|\n|  R50-FPN |       Mask       |     SyncBN    |    2fc（无 BN）   | GC(c3-c5, r16) |    2x   |    4.5   |        0.547        |       9.9      |  39.7  |   36.0  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpgQJHhiNkyVHcbHab?e=qiZ97L)|\n|  R50-FPN |       Mask       |     SyncBN    |    2fc（无 BN）   |  GC(c3-c5, r4) |    2x   |    4.6   |        0.603        |       9.4      |  40.2  |   36.3  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpgQEBgYg6XZnder10?e=VeeWeq)|\n|  R50-FPN |       Mask       |     SyncBN    | 4conv1fc（SyncBN） |        -       |    1x   |     -    |          -          |        -       |  38.8  |   34.6  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpgQTW281dmK9sfiA1?e=xwK5Tw)|\n|  R50-FPN |       Mask       |     SyncBN    | 4conv1fc（SyncBN） | GC(c3-c5, r16) |    1x   |     -    |          -          |        -       |  41.0  |   36.5  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpgQOpmj-j0ctBAZog?e=q9pu4D)|\n|  R50-FPN |       Mask       |     SyncBN    | 4conv1fc（SyncBN） |  GC(c3-c5, r4) |    1x   |     -    |          -          |        -       |  41.4  |   37.0  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpgQW2a6BmnRJhqWbe?e=ECVmTx)|\n\n### 更强主干网络的结果\n\n|  主干网络 |       模型      | 主干网络归一化 |       头部结构      |     上下文模块    | 学习率调度 | 显存占用 (GB) | 训练时间 (秒\u002F迭代) | 推理时间 (帧率) | 边界框 AP | 分割掩码 AP | 下载链接 |\n|:---------:|:----------------:|:-------------:|:----------------:|:--------------:|:-------:|:--------:|:-------------------:|:--------------:|:------:|:-------:|:--------:|\n| R101-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   |        -       |    1x   |    5.8   |        0.571        |       9.5      |  39.4  |   35.9  | [model](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AkEXj14LxwVpcZ9zKY77ptT4l9U?e=Xgm8j3)|\n| R101-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   | GC(c3-c5, r16) |    1x   |    7.0   |        0.731        |       8.6      |  40.8  |   37.0  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r16_gcb_c3-c5_r101_fpn_1x_20190602-f4456442.pth)|\n| R101-FPN |       Mask       |     fixBN     |    2fc (w\u002Fo BN)   |  GC(c3-c5, r4) |    1x   |    7.1   |        0.747        |       8.6      |  40.8  |   36.9  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r4_gcb_c3-c5_r101_fpn_1x_20190602-1ee20d5f.pth)|\n| R101-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   |        -       |    1x   |    5.8   |        0.665        |       9.2      |  39.8  |   36.0  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r101_fpn_syncbn_1x_20190602-b2a0e2b7.pth)|\n| R101-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   | GC(c3-c5, r16) |    1x   |    7.0   |        0.778        |       9.0      |  41.1  |   37.4  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r16_gcb_c3-c5_r101_fpn_syncbn_1x_20190602-717e6dbd.pth)|\n| R101-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   |  GC(c3-c5, r4) |    1x   |    7.1   |        0.786        |       8.9      |  41.7  |   37.6  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r4_gcb_c3-c5_r101_fpn_syncbn_1x_20190602-a893c718.pth)|\n| X101-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   |        -       |    1x   |    7.1   |        0.912        |       8.5      |  41.2  |   37.3  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_x101_32x4d_fpn_syncbn_1x_20190602-bb8ae7e5.pth)|\n| X101-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   | GC(c3-c5, r16) |    1x   |    8.2   |        1.055        |       7.7      |  42.4  |   38.0  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r16_gcb_c3-c5_x101_32x4d_fpn_syncbn_1x_20190602-c28edb53.pth)|\n| X101-FPN |       Mask       |     SyncBN    |    2fc (w\u002Fo BN)   |  GC(c3-c5, r4) |    1x   |    8.3   |        1.037        |       7.6      |  42.9  |   38.5  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fmask_rcnn_r4_gcb_c3-c5_x101_32x4d_fpn_syncbn_1x_20190602-930b3d51.pth)|\n| X101-FPN |   Cascade Mask   |     SyncBN    |    2fc (w\u002Fo BN)   |        -       |    1x   |     -    |          -          |        -       |  44.7  |   38.3  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fcascade_mask_rcnn_x101_32x4d_fpn_syncbn_1x_20190602-63a800fb.pth)|\n| X101-FPN |   Cascade Mask   |     SyncBN    |    2fc (w\u002Fo BN)   | GC(c3-c5, r16) |    1x   |     -    |          -          |        -       |  45.9  |   39.3  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fcascade_mask_rcnn_r16_gcb_c3-c5_x101_32x4d_fpn_syncbn_1x_20190602-3e168d88.pth)|\n| X101-FPN |   Cascade Mask   |     SyncBN    |    2fc (w\u002Fo BN)   |  GC(c3-c5, r4) |    1x   |     -    |          -          |        -       |  46.5  |   39.7  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fcascade_mask_rcnn_r4_gcb_c3-c5_x101_32x4d_fpn_syncbn_1x_20190602-b579157f.pth)|\n| X101-FPN | DCN Cascade Mask |     SyncBN    |    2fc (w\u002Fo BN)   |        -       |    1x   |     -    |          -          |        -       |  47.1  |   40.4  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fcascade_mask_rcnn_dconv_c3-c5_x101_32x4d_fpn_syncbn_1x_20190602-9aa8c394.pth)|\n| X101-FPN | DCN Cascade Mask |     SyncBN    |    2fc (w\u002Fo BN)   | GC(c3-c5, r16) |    1x   |     -    |          -          |        -       |  47.9  |   40.9  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fcascade_mask_rcnn_r16_gcb_dconv_c3-c5_x101_32x4d_fpn_syncbn_1x_20190602-b86027a6.pth)|\n| X101-FPN | DCN Cascade Mask |     SyncBN    |    2fc (w\u002Fo BN)   |  GC(c3-c5, r4) |    1x   |     -    |          -          |        -       |  47.9  |   40.8  | [model](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002Fcascade_mask_rcnn_r4_gcb_dconv_c3-c5_x101_32x4d_fpn_syncbn_1x_20190602-b4164f6b.pth)|\n\n**说明**\n- `GC` 表示在主干网络的 1x1 卷积后插入了全局上下文（Global Context，GC）块。\n- `DCN` 表示在主干网络的 `c3-c5` 阶段中将 3x3 卷积替换为 3x3 可变形卷积（Deformable Convolution）。\n- `r4` 和 `r16` 分别表示 GC 块中的比例 4 和比例 16。\n- 部分模型是在 4 块 GPU 上训练的，每块 GPU 使用 4 张图像。\n\n## 要求\n\n- Linux（测试于 Ubuntu 16.04）\n- Python 3.6+\n- PyTorch 1.1.0\n- Cython\n- [apex](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fapex)（Sync BN）\n\n## 安装\n\na. 按照[官方指南](https:\u002F\u002Fpytorch.org\u002F)安装 PyTorch 1.1 和 torchvision。\n\nb. 按照此[指南](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fapex#quick-start)安装最新版本的 apex，并启用 CUDA 和 C++ 扩展。需要使用 apex 实现的 [Sync BN](https:\u002F\u002Fnvidia.github.io\u002Fapex\u002Fparallel.html#apex.parallel.SyncBatchNorm)。\n\nc. 克隆 GCNet 仓库。\n\n```bash\n git clone https:\u002F\u002Fgithub.com\u002Fxvjiarui\u002FGCNet.git \n```\n\nd. 编译 CUDA 扩展。\n\n```bash\ncd GCNet\npip install cython  # 或者 \"conda install cython\" 如果你更喜欢 conda\n.\u002Fcompile.sh  # 或者 \"PYTHON=python3 .\u002Fcompile.sh\" 如果你使用系统自带的 python3 且未使用虚拟环境\n```\n\ne. 安装 GCNet 版本的 mmdetection（其他依赖项将自动安装）。\n\n```bash\npython(3) setup.py install  # 如果希望本地安装，可以添加 --user 参数\n# 或者 \"pip install .\"\n```\n\n注意：每次从 GitHub 拉取更新后都需要运行最后一步。  \n或者你可以运行 `python(3) setup.py develop` 或 `pip install -e .` 来安装 mmdetection，以便频繁修改它。\n\n更多详情请参考 mmdetection 的安装[指南](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection\u002Fblob\u002Fmaster\u002FINSTALL.md)。\n\n## 环境\n\n### 硬件\n\n- 8 块 NVIDIA Tesla V100 GPU\n- Intel Xeon 4114 CPU @ 2.20GHz\n\n### 软件环境\n\n- Python 3.6.7\n- PyTorch 1.1.0\n- CUDA 9.0\n- CUDNN 7.0\n- NCCL 2.3.5\n\n## 使用方法\n\n### 训练\n\n与原始的 mmdetection 一样，推荐使用分布式训练，无论是单机还是多机环境。\n\n```bash\n.\u002Ftools\u002Fdist_train.sh \u003CCONFIG_FILE> \u003CGPU_NUM> [可选参数]\n```\n\n支持的参数包括：\n\n- --validate: 在训练过程中每 k（默认为 1）个 epoch 执行一次评估。\n- --work_dir \u003CWORK_DIR>: 如果指定，配置文件中的路径将被替换。\n\n### 评估\n\n要评估已训练的模型，需要提供输出文件。\n\n```bash\npython tools\u002Ftest.py \u003CCONFIG_FILE> \u003CMODEL_PATH> [可选参数]\n```\n\n支持的参数包括：\n\n- --gpus: 用于评估的 GPU 数量\n- --out: 输出文件名，通常以 `.pkl` 结尾\n- --eval: 需要的评估类型，对于 mask-rcnn，`bbox segm` 将同时评估边界框和掩码的 AP（平均精度）。","# GCNet 快速上手指南\n\nGCNet 是一种结合 Non-Local Networks 和 Squeeze-Excitation Networks 的全局上下文建模方法，适用于目标检测和实例分割任务。以下是快速上手指南。\n\n---\n\n## 环境准备\n\n### 系统要求\n- 操作系统：Linux（推荐 Ubuntu 18.04 或更高版本）\n- Python 版本：3.6 或 3.7\n- CUDA 和 cuDNN：建议使用 CUDA 10.2 或更高版本\n- PyTorch：1.3 或更高版本\n\n### 前置依赖\n在安装 GCNet 之前，请确保以下工具已正确安装：\n- [mmdetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection)（GCNet 基于此框架实现）\n- PyTorch 和 torchvision\n- GCC >= 5.4\n- OpenCV\n\n国内用户可以通过清华镜像源加速依赖安装：\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n---\n\n## 安装步骤\n\n1. 克隆 GCNet 代码仓库：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fxvjiarui\u002FGCNet.git\n   cd GCNet\n   ```\n\n2. 安装 mmdetection 依赖：\n   ```bash\n   pip install -v -e .\n   ```\n\n3. 下载预训练模型权重文件（可选）：\n   预训练模型可以从以下链接下载：\n   - [官方模型存储](https:\u002F\u002Fopen-mmlab.s3.ap-northeast-2.amazonaws.com\u002Fmmdetection\u002Fmodels\u002Fgcnet\u002F)\n\n   将下载的权重文件放置到 `checkpoints\u002F` 目录下。\n\n---\n\n## 基本使用\n\n### 训练模型\n使用以下命令启动训练任务（以 R50-FPN 为例）：\n```bash\npython tools\u002Ftrain.py configs\u002Fgcnet\u002Fmask_rcnn_r16_gcb_c3-c5_r50_fpn_1x.py\n```\n\n如果需要使用多 GPU 训练，可以运行：\n```bash\n.\u002Ftools\u002Fdist_train.sh configs\u002Fgcnet\u002Fmask_rcnn_r16_gcb_c3-c5_r50_fpn_1x.py 4\n```\n其中 `4` 表示使用的 GPU 数量。\n\n### 测试模型\n使用以下命令测试模型性能：\n```bash\npython tools\u002Ftest.py configs\u002Fgcnet\u002Fmask_rcnn_r16_gcb_c3-c5_r50_fpn_1x.py checkpoints\u002Fmask_rcnn_r16_gcb_c3-c5_r50_fpn_1x_20190602-c550c707.pth --eval bbox segm\n```\n\n### 推理示例\n运行推理脚本以生成预测结果：\n```bash\npython demo\u002Fimage_demo.py demo\u002Fdemo.jpg configs\u002Fgcnet\u002Fmask_rcnn_r16_gcb_c3-c5_r50_fpn_1x.py checkpoints\u002Fmask_rcnn_r16_gcb_c3-c5_r50_fpn_1x_20190602-c550c707.pth\n```\n\n---\n\n以上是 GCNet 的快速上手指南，更多配置选项请参考 `configs\u002Fgcnet\u002F` 目录下的配置文件。","一家电商公司正在开发一套智能仓储管理系统，希望通过计算机视觉技术实现对货架商品的自动检测和库存管理。\n\n### 没有 GCNet 时\n- 商品检测模型在处理密集摆放的商品时，经常出现漏检或误检的情况，尤其是当同类商品堆叠在一起时。\n- 模型对全局上下文信息理解不足，导致无法准确区分外观相似的商品，例如不同口味的饮料瓶。\n- 训练时间较长且显存占用高，使得团队难以快速迭代优化模型。\n- 在复杂背景环境下（如灯光反射、遮挡），检测精度明显下降，影响实际应用效果。\n- 需要额外设计复杂的后处理逻辑来修正检测结果，增加了开发和维护成本。\n\n### 使用 GCNet 后\n- 借助 GCNet 的全局上下文建模能力，模型能够更准确地识别密集摆放的商品，显著减少漏检和误检。\n- 对外观相似商品的区分能力大幅提升，通过更好地利用全局信息，避免了混淆问题。\n- 显存占用仅小幅增加，同时推理速度保持高效，为团队提供了更快的实验反馈周期。\n- 在复杂场景下的鲁棒性增强，灯光反射和遮挡对检测结果的影响大幅降低。\n- 检测结果更加稳定，减少了对后处理逻辑的依赖，降低了系统复杂度和维护难度。\n\nGCNet 通过高效的全局上下文建模，帮助电商仓储系统实现了更精准、更稳定的商品检测，显著提升了自动化管理水平。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxvjiarui_GCNet_0e57c3b7.png","xvjiarui","Jerry Jiarui XU","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fxvjiarui_ac8b525f.jpg","Part of the journey is the end","UCSD","La Jolla","xvjiarui0826@gmail.com",null,"jerryxu.net","https:\u002F\u002Fgithub.com\u002Fxvjiarui",[86,90,94,98],{"name":87,"color":88,"percentage":89},"Python","#3572A5",90.4,{"name":91,"color":92,"percentage":93},"Cuda","#3A4E3A",6.2,{"name":95,"color":96,"percentage":97},"C++","#f34b7d",3.2,{"name":99,"color":100,"percentage":101},"Shell","#89e051",0.2,1220,167,"2026-03-24T09:15:57","Apache-2.0",4,"Linux, macOS, Windows","需要 NVIDIA GPU，显存 8GB+，CUDA 版本未说明","16GB+（推荐）",{"notes":111,"python":112,"dependencies":113},"建议使用 mmdetection 框架运行；训练过程中可能会出现 mAP 波动问题；部分模型文件需从外部链接下载。","未说明",[114,115,116,117,118],"mmdetection","PyTorch","torchvision","SyncBN","Apex",[13,14],[121,122,123,124],"object-detection","instance-segmentation","computer-vision","deep-learning","2026-03-27T02:49:30.150509","2026-04-06T05:17:20.172341",[128,133,138,143,148,153],{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},4402,"GCNet 是否必须使用预训练的主干网络？","通常建议使用 ImageNet 预训练的主干网络进行微调，因为这样可以显著加快收敛速度并提高性能。","https:\u002F\u002Fgithub.com\u002Fxvjiarui\u002FGCNet\u002Fissues\u002F22",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},4400,"如何在 ResNet-18 中使用 GC Block？","可以在 ResNet-18 的 BasicBlock 中，在跳跃连接之前添加 GC Block。虽然收敛可能需要更长时间，但这是可行的实现方式。","https:\u002F\u002Fgithub.com\u002Fxvjiarui\u002FGCNet\u002Fissues\u002F34",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},4401,"如何在没有实例分割标签的情况下使用 GCNet 进行目标检测？","GC Block 是插入到主干网络中的，因此即使没有实例分割标签，也可以仅使用边界框标签进行目标检测任务。","https:\u002F\u002Fgithub.com\u002Fxvjiarui\u002FGCNet\u002Fissues\u002F26",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},4397,"如何在自定义数据集上训练 GCNet 模型？","请确保你的数据集是 COCO 格式，并检查配置文件路径是否正确。可以参考 MMDetection 的官方指南来验证数据集格式和配置：[新数据集指南](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection\u002Fblob\u002Fmaster\u002Fdocs\u002Ftutorials\u002Fnew_dataset.md)。","https:\u002F\u002Fgithub.com\u002Fxvjiarui\u002FGCNet\u002Fissues\u002F38",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},4398,"GCNet 和 DANet 的注意力机制有什么区别？","GCNet 和 DANet 的主要区别在于实验重点不同，GCNet 更关注目标检测，而 DANet 则侧重视频动作识别。更多细节可以参考两篇论文的原始内容。","https:\u002F\u002Fgithub.com\u002Fxvjiarui\u002FGCNet\u002Fissues\u002F4",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},4399,"如何设置使用 SyncBatchNorm 时的学习率？","当使用 SyncBatchNorm 时，建议将学习率调整为原来的 1\u002F8，并保持相同的 epoch 数量作为起点。此外，如果遇到 NaN 问题，可以尝试降低学习率（例如从 0.02 调整到 0.0025）。","https:\u002F\u002Fgithub.com\u002Fxvjiarui\u002FGCNet\u002Fissues\u002F2",[]]