OpenMMLab 社区小伙伴们，我们要非常激动地向大家宣布一个好消息：OpenMMLab 在 GitHub 上的总 star 数已突破 10 万！（此处应有欢呼声）
10 万 Star 是一个值得庆祝的里程碑，是对 OpenMMLab 团队和社区共同努力的最佳认可。我们想借此机会与大家一起，回溯 OpenMMLab 从一个初露锋芒的项目到成为业界瞩目焦点的奇妙旅程。当然在这个值得庆祝的日子里，我们也为大家准备了丰富的礼品，感谢大家的信任与支持~
回顾 OpenMMLab 的成长之路
OpenMMLab 首次发布于 2018 年，起步于最先开源的 MMCV 和 MMDetection 算法库，后续我们陆续推出了 MMSegmentation、MMPose、MMTracking、MMOCR 等多个新的算法库，不断扩大我们的研究领域和影响力，从单一的开始到多元化的发展，形成了 OpenMMLab 1.0 版本。
2022 年，OpenMMLab 2.0 浦视视觉算法体系在 WAIC 大会上正式亮相，展示了新架构、新算法、新生态，开启了一个全新的生态系统。基于 MMEngine，OpenMMLab 2.0 的核心架构焕然一新，同时我们还正式发布了 6 个新的算法库以及 1 个模型部署库，覆盖了更多的研究领域。
2023 不断突破，收获满满
2023 年，OpenMMLab 正式跨入 2.0 时代，在计算机视觉领域持续深耕。我们的核心架构经历了全新的革新，支持了 PyTorch 2.0，多个算法库实现了显著的性能提升。此外，我们还整合了 ColossalAI、FSDP、DeepSpeed 等高性能大模型训练框架。
这一年，OpenMMLab 迎来了更多的算法库成员，不断拓展我们的研究领域。
- MMPreTrain：全新升级的深度学习预训练算法库
- MMagic：更先进、更全面的 AIGC 开源算法库
- Amphion：联合香港中文大学（深圳）数据科学学院武执政副教授团队开源的综合音频生成项目
- Playground：与社区共建的整合了各类 OpenMMLab 有趣应用的平台
这一年，我们在 CV 领域不断创新突破，取得了多项亮眼的原创成果。
- MMGPT：具备多模态对话能力的 Multimodal-GPT
- MM-Grounding-DINO：通过探索优化训练数据分布和初始化策略，大幅提升了 Grounding DINO 的性能
- RTMPose 系列：面向工业场景实时人体姿态估计需求，先后推出轻量化姿态估计模型 RTMPose、单阶段实时模型 RTMO 和全身 133 点姿态模型 RTMW，不断刷新性能 SOTA
- PowerPaint：推出首个高质量通用图像补全模型，在一个模型中同时支持增加物体、删除物体、AI 扩图等多种不同的图像补全功能
- PIA：个性化图像动画生成器，利用文本提示将图像变为奇妙的动画
这一年，大模型经历了前所未有的发展，OpenMMLab 团队紧跟时代浪潮，联合实验室兄弟团队，推出了性能领先的千亿级参数大语言模型 "书生・浦语"（InternLM） ，并建设了首个面向大模型研发与应用的全链条开源体系，包括低成本大模型微调工具箱 XTuner 、基于大语言模型的轻量级、开源智能体（agent）框架 Lagent 、社区内规模最大、覆盖领域最完整的大模型评测平台 OpenCompass ，以及推理性能领先的大模型推理框架 LMDeploy 。
2023 年对于 OpenMMLab 来说是一个收获满满的年份。这一年，我们的代码仓库总下载量近 1000 万次，GitHub 星标数超过 10 万，达到了一个新的里程碑。
感谢社区：OpenMMLab 成功的关键
如今，OpenMMLab 已经成长为全球最具影响力的计算机视觉开源算法体系之一。我们累计开源了超 30 个算法库，拥有超 400 种算法实现和 3000 多个预训练模型。代码仓库总下载量超 1700 万 次，用户遍及超 140 个国家和地区，覆盖全球顶尖高校、研究机构和企业。
更令人振奋的是，OpenMMLab 不再仅仅是一个工具集合，它已经成为了一个蓬勃发展的生态系统。基于 OpenMMLab 开源的生态项目超 2500 个，总 star 数超 30 万 。在这个生态中，超 2000 家企业和高校正在基于 OpenMMLab 开展研究和应用，北京大学、清华大学、上海交通大学、浙江大学等高校的研究团队都在使用 OpenMMLab 进行学术探索和技术创新。
OpenMMLab 的飞速发展得益于社区成员的共同努力，全球超 3 万名开发者通过社群的方式相聚在OpenMMLab 社区，他们在代码和 Issue 的交流中互相启发学习，并以实际行动支持着 OpenMMLab 项目的持续建设和发展。
全球超 1 万 名热心的社区开发者为 OpenMMLab 提交了超 1 万 个 Pull Request ，贡献了超 700 万 行代码。更为值得称赞的是，正是社区成员的领导和合作精神，催生了多个与社区共建的项目，如 YOLO 系列算法库 MMYOLO，整合各类 OpenMMLab 有趣应用的平台 Playground，以及综合音频生成项目 Amphion。
除了代码贡献，在 OpenMMLab 社区中，我们每天都收到来自用户的宝贵反馈，这些真实的声音不仅帮助我们了解 OpenMMLab 在实际应用中的表现，更为我们未来的发展方向提供了重要指导。
随着社区的不断壮大，越来越多的成员自发地参与到社区管理中来，他们主动解答问题、帮助新成员融入，以主人翁的姿态积极参与其中。
此外，我们也看到越来越多的社区成员以各自擅长的方式为 OpenMMLab 的推广和宣传贡献力量。他们撰写技术文章分享使用经验、使用 OpenMMLab 参加比赛，甚至基于 OpenMMLab 创建新的项目。
正是因为社区成员的多样化参与，才构筑成了今天的 OpenMMLab。在此，我们要特别感谢支持 OpenMMLab 的每一位社区成员。无论是通过提交代码、反馈问题，协助社群管理，还是通过分享经验和建议等等，每一位社区成员都对 OpenMMLab 的成功起到了不可或缺的作用。
共建更繁荣的社区
展望未来，我们将继续与社区紧密合作，不断优化 OpenMMLab，使其成为更加强大、更加易用的工具。我们相信，只要保持开放的心态和协作的精神，OpenMMLab 将会继续在人工智能领域中发挥重要作用。
最后再次感谢所有开发者和用户，是你们的支持和努力，让一切成为可能。我们期待着与你们一起，继续在这个激动人心的技术领域中前行，OpenMMLab 将一直保持开放的态度，和大家一起共同建设更繁荣的社区。
