0
| 本文作者： 楊鯉萍 | 2019-10-14 10:38 |
雷鋒網(wǎng) AI 開發(fā)者按：Detectron 是 FAIR 在 2018 年初公開的目標(biāo)檢測(cè)平臺(tái)，包含了大量業(yè)內(nèi)最具代表性的目標(biāo)檢測(cè)、圖像分割、關(guān)鍵點(diǎn)檢測(cè)算法，該框架主要基于 python 和 caffe2 實(shí)現(xiàn)，開源項(xiàng)目已獲得了超 2.2w 的星標(biāo)數(shù)。
而 Detectron2 則是剛推出的新版 PyTorch 1.3 （詳情查看：http://www.ozgbdpf.cn/news/201910/9J4PTd833WMwdVoQ.html）中一重大新工具，它源于 maskrcnn 基準(zhǔn)測(cè)試，但它卻是對(duì)先前版本 detectron 的一次徹底重寫。Detectron2 包含了更大的靈活性與擴(kuò)展性，并增強(qiáng)了可維護(hù)性和可伸縮性，以支持在生產(chǎn)中的用例。目前已在 GitHub 上開源，雷鋒網(wǎng) AI 開發(fā)者將其重要內(nèi)容整理編譯如下。
據(jù)官方介紹，Detectron2 是 FAIR 的下一代目標(biāo)檢測(cè)和分割研究平臺(tái)。目前，它實(shí)現(xiàn)了最先進(jìn)的目標(biāo)檢測(cè)算法。
Detectron 2 與之前的 detectron 不同，它并非在原版基礎(chǔ)上進(jìn)行改寫，而是徹底重寫的全新版本。新版目標(biāo)檢測(cè)平臺(tái) Detectron 2 則基于 PyTorch 框架，以 maskrcnn 基準(zhǔn)測(cè)試作為起點(diǎn)。通過全新的模塊化設(shè)計(jì)，Detectron2 變得更靈活且易于擴(kuò)展，它能夠在單個(gè)或多個(gè) GPU 服務(wù)器上提供更快速的訓(xùn)練速度。
基于 PyTorch 框架 與 Detectron 在 Caffe2 中實(shí)現(xiàn)不同，Detectron2 則基于 PyTorch 實(shí)現(xiàn)。PyTorch 提供了一個(gè)更直觀的命令式編程模型，它允許研究人員和工程師可以更快地迭代模型設(shè)計(jì)和實(shí)驗(yàn)，并讓開發(fā)者受益于 PyTorch 深度學(xué)習(xí)方法以及不斷改進(jìn)的 PyTorch 活躍社區(qū)。
模塊化、可擴(kuò)展設(shè)計(jì) 在 Detectron2 中，引入了模塊化設(shè)計(jì)，用戶可以將自定義模塊插入目標(biāo)檢測(cè)系統(tǒng)的任意部分。這意味著許多新的研究項(xiàng)目可以用數(shù)百行代碼編寫，而核心 Detectron2 庫和全新的研究之間可以實(shí)現(xiàn)完全分離。
通過建立新模型并發(fā)現(xiàn)新方法，可以不斷完善模塊化和可擴(kuò)展的設(shè)計(jì)，這也幫助 Detectron2 變得更加靈活。其模塊化特性也能夠使其更有效地幫助研究人員探索最先進(jìn)的算法設(shè)計(jì)。
新模型和新功能 Detectron2 包括原始 Detectron 中的所有模型，例如 Faster R-CNN，Mask R-CNN，RetinaNet 和 DensePose。除此之外，Detectron2 還加入了幾個(gè)新模型，包括：Cascade R-CNN，Panoptic FPN 和 TensorMask，未來還將繼續(xù)添加更多算法。
在 Detectron2 還包含了一些新功能，例如：同步批處理規(guī)范化（synchronous Batch Norm），以及對(duì) LVIS 等新數(shù)據(jù)集的支持等。
新任務(wù)支持 Detectron2 支持與目標(biāo)檢測(cè)有關(guān)的一系列任務(wù)。和之前的 Detectron 一樣，它也支持目標(biāo)檢測(cè)、實(shí)例分割、人體姿態(tài)估計(jì)等任務(wù)。此外，Detectron2 還支持語義分割和全景分割。
高實(shí)現(xiàn)質(zhì)量 重寫的 Detectron2 能夠重新檢測(cè)底層的設(shè)計(jì)決策，并解決原來 Detectron 的幾個(gè)實(shí)現(xiàn)問題。
速度和可擴(kuò)展性 通過將整個(gè)訓(xùn)練 pipeline 移至 GPU，能夠使 Detectron2 比原來的 Detectron 更快，而且可以更加方便在各種標(biāo)準(zhǔn)型號(hào)下進(jìn)行 GPU 服務(wù)器的分布式訓(xùn)練，從而輕松擴(kuò)展訓(xùn)練數(shù)據(jù)集。
Detectron2go 新增了將模型產(chǎn)品化部署的軟件實(shí)現(xiàn)，包括：標(biāo)準(zhǔn)的內(nèi)部數(shù)據(jù)訓(xùn)練工作流實(shí)現(xiàn)、模型壓縮量化、模型轉(zhuǎn)化等。
更多關(guān)于Detectron2 ：
http://ai.facebook.com/blog/-detectron2-a-pytorch-based-modular-object-detection-library-/
GitHub 開源地址：
雷鋒網(wǎng) AI 開發(fā)者
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
