Detectron2：Facebook AI 的视觉检测与分割框架

文章目录Detectron2Facebook AI 的视觉检测与分割框架1、 它能做什么2、 为什么选它3、 模型库4、 适合谁用Detectron2Facebook AI 的视觉检测与分割框架detectron2 在 GitHub 上拿到了 34,519 个 Star。Facebook AI Research 在 2019 年开源了这个检测框架是 Detectron 和 maskrcnn-benchmark 两个项目的继任者。它提供了一套检测和分割算法支撑了 Facebook 内部多个计算机视觉研究项目和生产应用。1、 它能做什么目标检测、实例分割、全景分割视觉领域的三大基础任务Detectron2 全都能做。对比初代 Detectron新版加了不少能力全景分割Panoptic Segmentation、DensePose 人体姿态估计、Cascade R-CNN、旋转边界框、PointRend、DeepLab、ViTDet、MViTv2。训练速度也提升了不少官方基准测试里的训练效率比前代高出数倍。它不是直接拿来部署的产品而是搭积木用的底层算法库。你可以在上面搭建自己的研究项目GitHub 上不少视觉项目的 README 里都写着based on detectron2。2、 为什么选它做视觉研究的同学都遇到过这种事论文里的 SOTA 模型复现出来效果总差一截排查半天发现是训练细节对不上。Detectron2 的实现跟论文严格对齐训出来的结果跟原论文报告的指标基本一致。另一个实用点模型训练完可以导出成 TorchScript 或 Caffe2 格式直接部署。从研究到生产的链路是通的不需要额外找人把 PyTorch 模型翻译成部署格式。项目采用模块化设计可以拆开单独用某个组件比如只拿它的数据增强模块也可以完整当框架跑。灵活性足够。3、 模型库官方提供了一个 Model Zoo里面放了几十个预训练好的模型和对应的基准测试结果覆盖了各种检测和分割任务。做对比实验或者快速验证想法的时候直接下载就能用省去了从头训练的时间和算力成本。4、 适合谁用做 CV 研究、需要复现论文或跑对比实验的研究者需要目标检测/分割能力但不想从头造轮子的工程团队用 Detectron2 当 baseline 发论文、做毕设的学生项目采用 Apache 2.0 协议商业使用没什么限制。设的学生项目采用 Apache 2.0 协议商业使用没什么限制。