企业官网建设流程全解析

简介：本资源是一个面向计算机视觉方向研究者与深度学习开发者的多模态目标检测开源实现，聚焦于RGB与红外图像融合检测任务，适用于安防监控、夜间感知、跨模态鲁棒检测等实际场景。压缩包共119个文件，含102个Python源码（涵盖数据集构建、模型定义、注意力融合模块、预训练加载及强增强策略实现）、15个Shell脚本（用于环境配置、数据准备与训练调度）以及2个Markdown文档（含项目说明与使用指南），整体仅305KB，轻量易部署。已有279人学习下载，资源结构清晰，包含Co-DETR架构定制化实现、双模态特征融合的mean/concat两种Attention变体、支持Mosaic的两阶段数据增强方案，以及基于SwinL+DETR的预训练权重集成逻辑，可直接复现论文级多模态检测流程并快速迁移至自有红外-可见光数据集。

1. 项目概述：从单模态到多模态的跨越

如果你在计算机视觉领域摸爬滚打过几年，一定对目标检测不陌生。从早期的R-CNN系列到后来的YOLO、SSD，再到如今遍地开花的Anchor-Free方法，我们一直在追求更高的精度和更快的速度。但不知道你有没有发现一个瓶颈：当光线昏暗、目标被遮挡或者图像质量极差时，即便是最先进的单模态（通常指RGB图像）检测模型，性能也会断崖式下跌。这就像只靠眼睛在浓雾里找人，难免会看走眼。

这正是“多模态目标检测”要解决的核心问题。这个基于Python和MMDetection框架的项目，其本质就是让模型不仅“看”（视觉模态），还能“听”或“感受”其他信息（如深度、红外、激光雷达点云、文本描述等），通过融合多种模态的数据，让目标检测系统变得更鲁棒、更智能。MMDetection作为PyTorch生态下最强大的目标检测工具箱之一，为我们搭建这样一个多模态系统提供了绝佳的脚手架。它封装了丰富的模型架构、数据流水线和训练策略，让我们能把精力集中在“如何融合”这个核心创新点上，而不是重复造轮子。

这个项目对于想深入前沿CV领域的研究者、需要解决复杂场景下检测问题的工程师，以及希望将学术想法快速工程化的开发者来说，都是一个极具价值的参考。它不仅仅是一套可以运行的代码，更提供了一个清晰的多模态处理范式。接下来，我会带你深入拆解这个系统的设计思路、实现细节，并分享在复现和调优过程中那些容易踩坑的地方。

2. 系统架构与核心设计思想

一套可用的多模态目标检测系统，其架构设计直接决定了系统的性能上限和扩展便利性。一个糟糕的架构会让后续的特征融合、模型训练变得举步维艰。这个项目的设计充分体现了模块化思想，其核心架构通常可以划分为数据层、特征提取层、融合层和检测头层。

2.1 多模态数据流的组织与管理

多模态数据的处理，第一步也是最棘手的一步，就是数据对齐与加载。与处理单张RGB图片不同，我们可能需要同时处理来自不同传感器、不同采样率、甚至不同坐标系的数据。例如，一个常见的数据集可能包含同步采集的RGB图像、红外图像和激光雷达点云。

在这个项目中，数据管道的设计至关重要。MMDetection原生的Dataset和Pipeline主要针对图像设计，因此我们需要对其进行扩展。一个典型的做法是创建一个MultiModalDataset类，继承自CustomDataset。它的核心任务是确保在每一次迭代中，能返回一个dict，里面包含了严格对齐的多模态数据，例如：

{ ‘img’: RGB_image_tensor, # 视觉模态 ‘depth’: depth_map_tensor, # 深度模态 ‘img_metas’: meta_info, # 包含对齐信息（时间戳、标定参数等） ‘gt_bboxes’: ground_truth_boxes, ‘gt_labels’: ground_truth_labels }

这里的关键在于img_metas。它需要包含足够的信息，以便在后续网络前向传播时，能将不同模态的特征图在空间上精确对齐。例如，如果使用了深度图，那么img_metas里可能需要存储相机内参，用于将深度图投影到图像平面。

注意：数据加载的IO瓶颈在多模态场景下会被放大。如果每个样本都需要加载数MB的点云数据和图像数据，数据加载速度会严重拖慢训练。一个实用的技巧是在数据集构建阶段，预先将点云体素化或渲染成深度图，并以.npy或.pkl格式存储，可以极大提升训练效率。

2.2 特征提取网络的选择与适配

特征提取是多模态检测的基石。通常，我们会为每一种模态单独配置一个特征提取网络（Backbone）。例如：

• RGB图像：最常用的自然是各种深度的CNN（如ResNet、ResNeXt、Swin Transformer）或Vision Transformer。MMDetection内置了丰富的预训练模型，可以直接调用。
• 深度图/红外图：可以视为单通道“图像”，通常有两种处理方式：一是使用与RGB图像相同结构的Backbone，但将第一层卷积的输入通道数改为1；二是将深度图复制三份，伪造成RGB三通道，直接复用RGB的Backbone。前者更合理，但需要单独预训练或从头训练；后者能利用RGB预训练权重，是一种快速的工程实现。
• 点云数据：这是3D模态，处理方式完全不同。常用的网络有PointNet++、VoxelNet（用于体素化点云）或直接将点云投影生成前视图/鸟瞰图，再用2D CNN处理。项目中如果包含点云，通常会引入另一个子网络（如mmdet3d中的模块）进行处理。

项目的巧妙之处在于利用MMDetection的注册机制，将不同模态的Backbone设计成可插拔的模块。在配置文件中，你可以像搭积木一样组合它们：

model = dict( type='MultiModalDetector', rgb_backbone=dict(type='ResNet', depth=50, ...), depth_backbone=dict(type='ResNet', depth=18, in_channels=1, ...), # ... 融合与检测头配置 )

这种设计使得更换Backbone（比如把ResNet换成Swin Transformer）变得异常简单，便于进行消融实验。

2.3 多模态融合策略的深度解析

融合层是整个系统的“大脑”，决定了不同模态的信息如何交互与互补。融合的层次和策略是研究的核心。这个项目很可能会实现以下几种经典的融合方式：

1. 早期融合（数据级融合）：在数据输入阶段就直接合并。例如，将深度图作为第四个通道与RGB三通道拼接，形成4通道的“图像”输入网络。这种方式简单直接，网络自行学习融合特征，但要求模态间高度对齐，且网络需要重新学习如何理解拼接后的数据。

   # 伪代码示例：在数据管道中拼接 input_tensor = torch.cat([rgb_tensor, depth_tensor], dim=1) # 通道维度拼接

2. 中期融合（特征级融合）：这是最主流、最灵活的方式。各个模态先通过自己的Backbone提取出高层次特征图，然后在特征空间进行融合。融合的时机（在Backbone的哪个阶段）和融合的操作（相加、拼接、注意力加权）是设计的关键。

   • 拼接+卷积：将不同模态的特征图在通道维度拼接，然后用1x1卷积进行降维和融合。这是最基础的方法。
   • 基于注意力的融合：例如，让RGB特征图生成一个注意力权重图，去加权深度特征图，强调深度信息中与RGB显著区域相关的部分。这能让模型动态地决定信任哪个模态。

   # 伪代码示例：简单的特征相加融合 rgb_feat = self.rgb_backbone(rgb_img) depth_feat = self.depth_backbone(depth_img) fused_feat = rgb_feat + depth_feat # 或 torch.cat([rgb_feat, depth_feat], dim=1)

3. 晚期融合（决策级融合）：各个模态独立完成目标检测，生成各自的检测框和类别置信度，最后再通过规则（如加权平均、非极大值抑制NMS）进行合并。这种方式容错性高，但未能实现模态间的深层互补，性能通常不是最优。

该项目很可能以中期特征融合为主干，并提供了多种融合模块（如ConcatFusion,AttentionFusion）供选择。在配置文件中指定fusion_type=‘AttentionFusion’，就能轻松切换融合策略，这是项目工程化做得好的体现。

2.4 检测头与损失函数的设计

融合后的特征图会送入检测头（Head）进行最终的边界框回归和分类。这部分可以直接复用MMDetection中成熟且高效的检测头，如：

• Anchor-Based：RetinaNet Head, Faster R-CNN Head。
• Anchor-Free：FCOS Head, ATSS Head。
• Transformer-Based：DETR Head。

选择哪种Head，取决于你的具体需求（速度优先还是精度优先）以及数据特点（目标尺度分布等）。多模态的引入通常不会改变检测头的基本结构，但可能会影响正负样本的分配策略。例如，在能见度低的模态中，某些目标的特征很弱，如果单纯基于IoU分配正样本，这些目标可能会被忽略。一个改进思路是利用另一个模态的置信度来辅助样本分配，但这属于更高级的优化。

损失函数方面，通常采用目标检测的标准组合：分类损失（如Focal Loss）和边界框回归损失（如GIoU Loss）。在多模态训练中，一个重要的技巧是损失加权。如果不同模态的数据质量或重要性不同，可以为来自不同模态分支的损失项设置不同的权重，或者在训练初期给更可靠的模态（如RGB）更高的权重，后期再慢慢调整。

3. 基于MMDetection的代码实现与核心模块剖析

有了清晰的设计图，我们来看看如何用代码将其实现。MMDetection的模块化设计让我们的工作变得井井有条。

3.1 环境搭建与依赖管理

首先，你需要一个稳定的Python环境（3.7+）和PyTorch（1.6+）。MMDetection的安装官方文档很详细，但结合多模态项目，有一些额外注意点：

# 1. 安装PyTorch和TorchVision（请根据CUDA版本选择） pip install torch torchvision # 2. 安装MMCV - 这是MMDetection的核心依赖，必须版本匹配 # 使用 mim 安装是推荐方式，能自动处理依赖 pip install openmim mim install mmcv-full # 3. 安装MMDetection git clone https://github.com/open-mmlab/mmdetection.git cd mmdetection pip install -v -e . # “-e” 表示可编辑模式，方便修改源码 # 4. 可能的额外依赖 # 如果项目涉及点云，可能需要 mmdet3d # 如果使用了特定融合模块（如注意力），确保相关的包已安装

实操心得：最易出错的就是MMCV的版本。强烈建议使用mim install mmcv-full=={mmcv_version}来安装与MMDetection版本严格对应的MMCV。例如，MMDetection 2.25.0通常要求MMCV-full 1.5.0以上。版本不匹配会导致各种诡异的导入错误或运行时错误。

3.2 自定义数据集的构建

假设我们有一个自定义的多模态数据集，文件夹结构如下：

custom_dataset/ ├── rgb_images/ # 存放RGB图片 │ ├── 000001.jpg │ └── ... ├── depth_maps/ # 存放对齐的深度图（.png或.npy） │ ├── 000001.npy │ └── ... └── annotations/ # 存放标注文件（COCO格式） └── instances_train.json

我们需要编写一个新的数据集类MultiModalDataset，通常放在mmdet/datasets/目录下，或者在你的项目根目录中，并在配置中通过custom_imports导入。

from mmdet.datasets import CustomDataset from mmdet.datasets.builder import DATASETS @DATASETS.register_module() class MultiModalDataset(CustomDataset): CLASSES = (‘person‘, ‘car‘, ‘bicycle‘) # 你的类别 def load_annotations(self, ann_file): # 加载COCO格式的标注 data_infos = super().load_annotations(ann_file) # 为每个info添加深度图路径等模态信息 for info in data_infos: img_id = info[‘id‘] # 假设深度图文件名与RGB图相同，后缀不同 depth_filename = f‘{img_id:06d}.npy‘ info[‘depth_path‘] = osp.join(self.data_root, ‘depth_maps‘, depth_filename) return data_infos def prepare_train_img(self, idx): # 重写此方法，加载多模态数据 img_info = self.data_infos[idx] # 1. 加载RGB图像 img = mmcv.imread(img_info[‘filename‘]) # 2. 加载深度图 depth_map = np.load(img_info[‘depth_path‘]) # 假设是.npy文件 # 3. 数据增强（需同步！） # 这是难点！必须保证对RGB和深度的变换（如翻转、裁剪）完全一致。 # 通常需要自定义一个同步的Pipeline synchronized_results = self.sync_pipeline(dict(img=img, depth=depth_map)) img = synchronized_results[‘img‘] depth = synchronized_results[‘depth‘] # 4. 转换为Tensor，归一化等 img = self.img_norm_cfg(img) depth = self.depth_norm_cfg(depth) # 需要自定义深度归一化 # 5. 组装数据字典 data = dict( img=img, depth=depth, img_metas=self.get_meta_info(img_info), gt_bboxes=..., # 从标注中获取 gt_labels=..., ) return data

核心难点：数据增强的同步。你不能对RGB图像做了随机裁剪，而对深度图做了不同的裁剪。必须设计一个SyncRandomCrop、SyncFlip这样的增强管道，确保空间变换参数一致。

3.3 多模态检测器的模型定义

这是项目的核心。我们需要定义一个新的检测器MultiModalDetector，它继承自BaseDetector。其主要结构在__init__中定义各个组件，在forward_train和simple_test中定义训练和测试流程。

from mmdet.models import BaseDetector, DETECTORS @DETECTORS.register_module() class MultiModalDetector(BaseDetector): def __init__(self, rgb_backbone, depth_backbone, fusion_neck, # 融合模块，可以是一个FPN-like的结构 bbox_head, train_cfg=None, test_cfg=None): super().__init__() # 1. 注册各个组件 self.rgb_backbone = builder.build_backbone(rgb_backbone) self.depth_backbone = builder.build_backbone(depth_backbone) self.fusion_neck = builder.build_neck(fusion_neck) self.bbox_head = builder.build_head(bbox_head) self.train_cfg = train_cfg self.test_cfg = test_cfg def extract_feat(self, img, depth): """提取并融合特征""" # 分别提取特征 rgb_feats = self.rgb_backbone(img) # 返回多尺度特征列表 depth_feats = self.depth_backbone(depth) # 融合特征 fused_feats = self.fusion_neck(rgb_feats, depth_feats) return fused_feats def forward_train(self, img, depth, img_metas, gt_bboxes, gt_labels): """训练前向传播""" fused_feats = self.extract_feat(img, depth) # 计算损失 losses = self.bbox_head.forward_train(fused_feats, img_metas, gt_bboxes, gt_labels) return losses def simple_test(self, img, depth, img_metas, **kwargs): """测试前向传播（无梯度）""" fused_feats = self.extract_feat(img, depth) results_list = self.bbox_head.simple_test( fused_feats, img_metas, **kwargs) return results_list

fusion_neck是关键。一个简单的融合颈（Fusion Neck）可以是一个接收两个特征列表，并输出一个融合后特征列表的模块。例如，它可以在每个特征尺度上，将RGB和Depth的特征图拼接后通过一个卷积层。

3.4 配置文件（Config）的魔力

MMDetection的强大之处在于其配置文件驱动。我们不需要修改代码来调整超参数、更换模型组件，一切都在.py配置文件中完成。一个针对我们多模态检测器的配置文件可能如下：

# configs/multimodal_detector/fusion_rcnn_r50_fpn.py _base_ = [ ‘../_base_/models/faster_rcnn_r50_fpn.py‘, # 继承单模态配置 ‘../_base_/datasets/coco_detection.py‘, ‘../_base_/schedules/schedule_1x.py‘, ‘../_base_/default_runtime.py‘ ] # 1. 修改模型 model = dict( type=‘MultiModalDetector‘, # 使用我们注册的检测器 rgb_backbone=dict( type=‘ResNet‘, depth=50, ... # 其他参数继承自_base_ ), depth_backbone=dict( type=‘ResNet‘, depth=18, # 深度图特征可能更简单，用浅层网络 in_channels=1, # 关键！单通道输入 stem_channels=64, ...), fusion_neck=dict( type=‘ConcatFusion‘, # 我们自定义的融合颈 in_channels=[256, 128, 512, 2048], # 假设来自两个backbone的通道数 out_channels=256, num_outs=5, # 输出5个尺度的融合特征 ), bbox_head=dict(...), # 可以复用_base_中的配置 ) # 2. 修改数据集 dataset_type = ‘MultiModalDataset‘ # 我们自定义的数据集 data_root = ‘data/custom_dataset/‘ img_norm_cfg = dict(mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True) depth_norm_cfg = dict(mean=[5000.], std=[2000.], to_rgb=False) # 深度图归一化 train_pipeline = [ dict(type=‘LoadMultiModalImageFromFile‘), # 自定义加载多模态数据 dict(type=‘SyncRandomFlip‘, flip_ratio=0.5), # 同步翻转 dict(type=‘SyncResize‘, img_scale=(1333, 800), keep_ratio=True), dict(type=‘SyncRandomCrop‘, crop_size=(800, 800)), dict(type=‘NormalizeMultimodal‘, img_norm_cfg, depth_norm_cfg), # 同步归一化 dict(type=‘Pad‘, size_divisor=32), dict(type=‘DefaultFormatBundle‘), dict(type=‘Collect‘, keys=[‘img‘, ‘depth‘, ‘gt_bboxes‘, ‘gt_labels‘]), ]

通过配置文件，你可以轻松尝试不同的Backbone组合（如把RGB的ResNet换成Swin-T），不同的融合方式（ConcatFusionvsAttentionFusion），而无需改动核心代码。

4. 训练、调优与性能评估实战

配置好一切后，就可以开始训练了。但训练一个多模态模型比单模态模型有更多“坑”。

4.1 多模态模型的训练策略

启动训练的命令很简单：

python tools/train.py configs/multimodal_detector/fusion_rcnn_r50_fpn.py --work-dir work_dirs/exp1

但训练过程中有几个关键策略：

1. 预训练权重加载：RGB的Backbone（如ResNet-50）加载在ImageNet上预训练的权重是必须的，能极大加速收敛并提升性能。对于深度Backbone，如果结构相同只是输入通道不同，可以尝试将预训练权重的第一层卷积进行适配（例如，对单通道输入，将三通道的权重取平均值）。

   # 伪代码：适配预训练权重 pretrained_dict = torch.load(‘resnet18.pth‘)[‘state_dict‘] model_dict = depth_backbone.state_dict() # 处理第一层卷积的权重 pretrained_conv1_weight = pretrained_dict[‘conv1.weight‘] # shape: [64, 3, 7, 7] adapted_weight = pretrained_conv1_weight.mean(dim=1, keepdim=True) # shape: [64, 1, 7, 7] pretrained_dict[‘conv1.weight‘] = adapted_weight # 加载其他匹配的权重 depth_backbone.load_state_dict(pretrained_dict, strict=False) # strict=False允许不匹配的键

2. 学习率与优化器：由于引入了新的模态分支和融合模块，学习率的设置需要谨慎。一个常见的做法是，对预训练的RGB Backbone使用较小的学习率（如base_lr * 0.1），而对新增的深度Backbone和融合模块使用较大的学习率（base_lr）。这可以通过优化器的参数组（param_groups）来实现。

3. 梯度流动与训练稳定性：多模态网络可能面临梯度消失或爆炸问题，尤其是在融合层。使用梯度裁剪（torch.nn.utils.clip_grad_norm_）和更稳定的激活函数（如Mish、Swish）有助于稳定训练。同时，监控每个模态分支的梯度范数，如果某个分支的梯度始终很小，说明它可能没有被有效学习。

4.2 消融实验与性能分析

模型训练好后，需要用验证集进行评估。除了标准的mAP（平均精度均值）指标，在多模态场景下，我们更关心：

• 模态缺失下的鲁棒性：模拟某个传感器失效（如将深度图置零），观察性能下降幅度。一个好的多模态系统，在缺失一个模态时，性能下降应远小于单模态系统。
• 跨模态泛化能力：在训练集未出现的极端天气（如大雾、黑夜）下测试，多模态系统（尤其是融合了红外或雷达的系统）应表现出显著优势。

进行消融实验是理解每个组件贡献的关键。你需要设计一系列实验：

1. Baseline：仅使用RGB模态的单模态检测器。
2. +Depth：RGB + 深度图，使用简单的拼接融合。
3. +Depth+Attention：在2的基础上，加入注意力融合机制。
4. Depth Only：仅使用深度图，评估该模态单独的能力。

通过对比这些实验的mAP，你可以量化深度信息带来的提升，以及更高级的融合策略是否有效。通常，在KITTI、nuScenes这类公开的多模态数据集上，融合深度或点云信息能将mAP提升5-10个百分点，在恶劣光照条件下提升更为明显。

4.3 模型部署与优化考虑

研究完成后的下一步是部署。多模态模型通常更大、更慢。部署时需要考虑：

• 模型轻量化：对新增的深度Backbone和融合模块进行剪枝、量化。可以使用MMDetection配套的模型压缩工具MMRazor，或者PyTorch自带的量化功能。
• 推理流水线优化：多模态数据的加载和预处理可能成为瓶颈。考虑使用TensorRT或ONNX Runtime进行加速，并将数据预处理（如图像解码、归一化）移到GPU上进行。
• 传感器同步：在实际系统中，确保RGB相机和深度相机/激光雷达的硬件同步和数据时间戳对齐，比算法本身更重要。软件层需要有一个缓冲区来匹配时间戳最近的数据对。

5. 常见问题排查与实战心得

在复现和开发这类项目的过程中，我踩过不少坑，这里总结几个最常见的问题和解决思路。

5.1 训练不收敛或性能反而下降

这是最令人头疼的问题。可能的原因和排查步骤：

1. 数据对齐错误：这是头号杀手。请务必可视化你的训练数据！写一个简单的脚本，将RGB图像、深度图以及标注框同时显示出来，检查它们在空间上是否严格对齐。一个像素的偏移都可能导致网络学习到错误的关联。
2. 数据归一化不当：深度图的值域（0-10000毫米）和RGB（0-255）相差巨大。如果直接输入网络，梯度会严重失衡。必须对深度图进行合理的归一化，例如缩放到[0, 1]或使用数据集的均值和标准差。
3. 学习率设置不当：新增模块的学习率可能太高。尝试使用更保守的学习率策略，如Warmup和Cosine退火。同时，如前所述，对不同部分设置差异化的学习率。
4. 融合方式过于复杂：一开始不要追求复杂的注意力机制。先从最简单的特征拼接（torch.cat）开始，确保基线系统能工作，然后再逐步增加复杂度。

5.2 内存溢出（OOM）问题

多模态模型，尤其是同时处理高分辨率图像和点云时，显存消耗巨大。

• 降低批量大小（Batch Size）：这是最直接的方法，但可能会影响训练稳定性。可以使用梯度累积（Gradient Accumulation）来模拟更大的Batch Size。
• 优化数据格式：深度图或点云数据是否以float64存储？训练时转为float32甚至float16（混合精度训练）可以节省大量显存。
• 使用更小的Backbone：对于深度模态，使用ResNet-18甚至更小的网络通常就足够了，不必追求和RGB模态一样的深度。
• 检查数据管道：确保在数据加载时没有无意中加载了过多不必要的数据到内存。

5.3 多模态融合未生效

有时候，加了另一个模态，但性能提升微乎其微，仿佛网络“忽略”了它。

• 检查梯度：在训练时，打印或使用TensorBoard监控深度Backbone参数的梯度。如果梯度长期为0或接近0，说明该分支没有被有效训练。可能是学习率太低，或者该分支的初始化权重不合适。
• 特征可视化：使用工具（如torchcam）可视化融合前后的特征图。看看深度分支提取的特征是否包含有意义的边缘或结构信息，以及融合后的特征图是否看起来“融合”了两种信息。
• 设计更简单的诊断任务：不要一开始就在复杂检测任务上测试。可以设计一个简单的二分类任务（例如，区分某物体是否存在），先验证你的多模态数据加载和融合模块在简单任务上是否有效。

5.4 在自定义数据集上适配

如果你想在自己的数据上使用这个项目，最大的挑战是数据准备。

1. 标注格式：强烈建议先将标注转换为COCO格式。这是MMDetection生态最支持的格式，工具链最全。
2. 传感器标定：如果你的多模态数据来自不同的传感器，必须进行标定，获取它们之间的转换矩阵（外参）和各自的相机参数（内参）。这些参数需要保存在img_metas中，供网络在需要时使用（例如，将激光雷达点投影到图像上）。
3. 处理缺失模态：在实际场景中，可能某些帧会缺失某个模态的数据。你的数据管道和模型需要能够处理这种情况。一种策略是使用零张量或均值张量作为替代，并在损失函数中忽略该样本或降低其权重。

这个基于Python和MMDetection的多模态目标检测项目，为我们提供了一个从理论到实践的完整范例。它告诉我们，构建一个先进的系统不仅需要好的想法，更需要扎实的工程实现能力，以及对细节的极致把控。从数据对齐的一像素之差，到融合模块的一行代码，每一个环节都影响着最终的性能。希望这份详细的拆解，能帮助你在探索多模态感知世界的道路上，走得更稳、更远。

本文还有配套的精品资源，点击获取