https://github.com/open-mmlab/mmcv

* 新特性

• 增加 build_runner 方法，方便下游代码库的 runner 定制化

• 支持对 DCN 中 offset 层学习率的调整

• 增加 EMAHook，支持指数移动平均方法

• 为 Adaptive Average Pooling 提供 ONNX 的支持

• 增加新的算子，如 TINShift，Conv2dAdaptivePadding

• 增加新模块，如 DepthwiseSeparableConvModule，Swish activation

• 增加新的数据处理模块，如 imshear，imtranslate，adjust_brightness 等

* 代码改进

• JsonHandler 增加对 unserializable 的值与更多默认类型的支持

• 图像处理模块支持对角线翻转

• 优化 batched_nms 以处理框数量过多的情况，自动根据框的类别标签进行序列处理

• 增加了 wrap_fp16_model 的接口

• 改进 train/val_step 接口

• 添加 deconv 的注册器

• 支持在 fp16 optimizer hook 中记录梯度大小

• 允许 imshow_det_bboxes() 同时返回框和图片

https://github.com/open-mmlab/mmclassification

* 新特性

• 增加 inference 的相关代码

• 支持 PyTorch 到 ONNX 的转换

• 增加新的 transform，包括基于 PIL 的 transform 和 albumentations

• 增加新模型，包括 ResNeSt，VGG 等

• 支持新更多数据集

• 增加结果可视化模块

* 代码改进和 BUG 修复

• 更新了 ShuffleNet 的配置文件，更新多个模型的预训练权重，包括 ShuffleNet 系列与 SE-ResNet 系列

• 解决多个 transform 中存在的错误

• 改进多个模型的参数和初始化问题

https://github.com/open-mmlab/mmsegmentation

* 新算法/模型

• MobileNet V2

• EMANet

• DNL

• PointRend,

• Semantic FPN

• Fast SCNN

• ResNeSt

• ORNet ResNet

• DeepLabV3/DeepLabV3+ Dilate 16

* 新数据集

• Pascal Context

* 代码改进

• 支持 ONNX 导出上采样

• 支持 Windows 环境下的安装

• 迁移 DepthwiseSeparableConv，collect_env 到 MMCV

• 支持用户自定义数据集类别和调色板

https://github.com/open-mmlab/mmdetection

* 支持新算法/模型

• YOLACT

• CentripetalNet

• SABL

• YOLOv3

• PAA Assign

• CornerNet

• DIOU/CIOU loss

• 支持新数据集 LVIS V1

* 文档完善

• 新的colab tutorial：增加了训练教程，教程中包括将新的数据集转为MMDet的格式并对预训练模型进行微调和推理，方便新手了解目标检测中从数据预处理到模型训练和推理的全过程

• 增加trouble shooting页面：总结了mmdet使用过程中的常见issue和解决方案

• 完善了自定义数据集、自定义模型相关的教程

* 新特性

• 支持batch inference：支持在推理过程单卡 batch size >1的情况，提高模型推理的并行度

• 支持pip install mmdet：从此支持一行命令安装mmdet了

• 支持 RetinaNet 从 Pytorch 到 ONNX的转换：支持和完善了PyTorch2ONNX的功能，后续还会继续支持双阶段和多阶段检测器的Pytorch2ONNX

• 支持了PyTorch 1.6 Dockerfile：更新了Dockerfile，用户可以使用基于PyTorch1.6的docker来使用MMDetection，注意，Pytorch 1.3 - Pytorch 1.5的docker仍然可以使用，用户只需要在Dockerfile中修改PyTorch相应版本即可。

* 代码改进

• 将所有的CUDA/C++ 算子迁移到了MMCV，统一管理 OpenMMLab 项目对 CUDA 算子依赖。

• 对自定义数据集的灵活支持，支持根据类别自动筛选数据：之前对自定义数据集和自定义类别的数据使用不够友好，在指定训练类别的情况下无法控制剔除无GT图像的行为。最新版使得只有在 filter_empty_gt=True 和 test_mode=True 的情况下才会剔除无 GT 的图像，消除了数据筛选的歧义。

• 统一了代码中的负样本标签定义，RPN head 中 0 代表正样本（第一正类），1 代表负样本，使得 v2.5 以后所有的 head 都使用 self.num_classes 来定义背景框的标签，不再有特殊情况。

https://github.com/open-mmlab/mmdetection3d

* 支持新算法/模型

• H3DNet

• 3DSSD

• CenterPoint

* 支持新数据集

• Waymo：支持 Waymo 数据集，开放了 PointPillars 和 SECOND 的预训练模型和模型性能，为研究和开发提供性能基准

• nuImages：支持使用 nuImages 数据集进行目标检测、实例分割任务。包含 Mask R-CNN and Cascade Mask R-CNN 预训练模型和模型性能，提供性能基准的同时也为多模态检测提供了预训练模型。

* 新特性

• 支持 Batch Inference：支持在推理过程单卡 batch size >1 的情况，提高模型推理的并行度

• 支持 Pytorch 1.6：支持了 Pytorch1.6，清理了 Pytorch1.6 （如 torch.nonzero）相关的warning

• 支持 pip install mmdet3d：支持一行命令安装 mmdetection3d，方便开发者将 mmdet3d 作为基础代码库开发新的项目

• 支持混合精度训练：对 PointPillars/SECOND 等基于 voxel 的模型支持混合精度训练，在 KITTI 和 nuScenes 数据集上显存减半但是精度不掉。

https://github.com/open-mmlab/mmediting

* 新特性

• 支持 NIQE，一种常用的图像质量评价指标，帮助大家更好地测试自己的模型

• 支持 pip install mmedit

• 加入 FP16 训练所需模块，支持 FP16 的训练，降低资源开销

转眼间，10月的新版本即将发布，从下个月开始，我们将定时推出 OpenMMLab 新闻月刊，来介绍每个月的版本更新和重要进展，欢迎大家关注！

最后，祝大家磕盐愉快，工作顺利！