中国AI开源再进击！商汤升级人工智能算法开放体系，开放超600种预训练模型( 二 ) 商汤的技术初心与

开源，这股在信息技术发展史上熠熠生辉的创新力量，曾催生许多经典的软件作品。
在AI领域，开源同样是算法迭代与创新的主要驱动力，任何人能在源代码的基础上进行学习与修改，这种共享文化不仅有效降低AI研发的门槛，还将全球AI研究人员的智慧聚合在一起，从而持续推动AI社区乃至产业的繁荣。
“在深度学习时代，成体系的、基本覆盖了CV主要领域的开源，商汤是第一个。 ”林达华说。
2010年前， OpenCV等传统CV和机器学习开源代码库，已在AI领域产生非常大的影响力。
但在深度学习突飞猛进发展的几年间，深度学习在CV领域并没有形成像OpenCV那样的统一开源体系，谷歌、Facebook等很多科技巨头只在单个方向单点的算法层面进行开源。
能不能为深度学习CV领域的一些重要方向建立统一而开放的代码库，并不断将新的算法沉淀其中呢？一个想法在林达华心里生根发芽。
2018年10月， MMLab实验室开放初版MMCV计算机视觉基础库和第一代MMDetection物体检测工具箱，标志着整个OpenMMLab统一开源体系进化的开端。
到2019年11月， MMLab又陆续开放了多个开源算法工具箱，包括MMAction行为理解工具箱、MMSkeleton基于骨架的视频分析工具箱、MMFashion服饰分析工具箱、MMSR超分辨率工具箱等。

文章图片

▲OpenMMLab发展路径
经过两年的发展， OpenMMLab逐渐形成了完整的体系和组织架构，可提供开放的基础技术支持、接口标准和算法框架。
这些开放资源得到了越来越多AI研究人员的积极使用、贡献和回馈，对AI社区的发展产生了重要影响。在Github上， OpenMMLab的累计star数（相当于“点赞”）达到
16895
个。

文章图片

OpenMMLab对AI产学研界的四大核心贡献

深度学习经过近几年的发展，在技术和工程上水平均趋于成熟，但这其中也蕴含着较高的开发代价、算力代价、数据代价。
而OpenMMLab很大程度上是解决算法设计的代价问题。林达华告诉我们，这一开源体系主要为整个AI产研界带来如下贡献。
首先，这样一个开放的体系，为整个AI产学研算法研发和创新提供了非常好的基础。
从一个简单的想法，到AI研发落地，其中过程非常复杂，既要开发算法，还要解决许多工程化问题，这往往需要付出大量的试错成本。
OpenMMLab提供了组织架构更加优秀、拥有大量高质量算法内容的代码库，与提供模型训练能力的PyTorch等深度学习框架协同互补。
对于有创新想法的研究人员，他只需聚焦于开发创新部分，其他部分则可依托开源代码库来实现，从而极大简化研究人员将想法付诸实现和落地的过程。
其次， OpenMMLab降低了算法复现难度。
在学术界， AI算法层出不穷的同时，也提高了研究人员对新算法、新模型复现的难度，严重影响AI研发的效率。
做科研需与许多算法进行比较，如果整个算法都要重新实现或者找别人来调，往往非常耗费时间精力，如今OpenMMLab开源体系提供了丰富的有代表性的算法，使得研究人员复现baselines并与之进行比较的时间和难度大大降低。
第三，降低算法/数据集供应商触达用户和研究人员的成本。