总体介绍¶
在本文档中，我们将对MMSelfSup进行整体介绍。 我们首先会对自监督学习(Self-supervised Learning)的基本概念进行回顾，然后简单介绍整个MMSelfSup的基本架构。最后，我们将给出MMSelfSup的上手路线图，帮助大家更快的使用MMSelfSup助力自己的科学研究和项目实践。
自监督学习¶
自监督学习(Self-supervised learning, SSL)是一种极具潜力的学习范式，它旨在使用海量的无标注数据来进行表征学习。在SSL中，我们通过构造合理的预训练任务（可自动生成标注，即自监督）来进行模型的训练，学习到一个具有强大建模能力的预训练模型。基于自监督学习获得的训练模型，我们可以提升各类下游视觉任务(图像分类，物体检测，语义分割等)的性能。
过去几年里，自监督学习的研究获得了快速发展，整个学术社区涌现了一大批优秀的自监督学习算法。我们旨在将MMSelfSup打造成为一个功能强大，方便易用的开源算法库，助力学术研究和工程实践。接下来，我们将介绍MMSelfSup的架构设计。
MMSelfSup的架构设计¶
与其他OpenMMLab的项目类似，MMSelfSup基于模块化设计的准则，整体的架构设计如下图所示：
Datasets 支持各类数据集，同时提供丰富的数据增强策略。
Algorithms 包括了多个经典的自监督算法，同时提供易用的用户接口。
Tools 包括了自监督学习常用的训练和分析工具。
Benchmarks 提供了使用自监督学习获得的预训练模型进行多种下游任务((图像分类，物体检测，语义分割等)的示例。
MMSelfSup的上手路线图¶
为了帮助用户更快的上手MMSelfSup，我们推荐参考如下的路线图进行相关学习。
使用MMSelfSup玩转自监督实验¶
通常自监督学习算法被认为是一种适用不同模型架构的预训练算法，因此自监督学习应用通常会包括预训练阶段和下游任务迁移学习阶段。
如果你想尝试MMSelfSup提供的各类自监督学习算法，我们推荐你优先参考Get Started 来进行环境配置。
对于预训练阶段，我们推荐你参考Pre-train 来尝试各类预训练算法，获得预训练模型。
对于下游任务迁移学习阶段，我们推荐你参考Benchmark 当中提供的示例，来使用预训练模型来尝试各种下游任务。
除此之外，我们也提供了多种分析工具和可视化工具Useful Tools来帮助用户更方便地对算法进行诊断和分析。