Detectron 是 FAIR 在 2018 年初公開的目標檢測平臺，包含了大量業內最具代表性的目標檢測、圖像分割、關鍵點檢測算法，該框架主要基于 python 和 caffe2 實現，開源項目已獲得了超 2.2w 的星標數。

而 Detectron2 則是剛推出的新版 PyTorch 1.3 （詳情查看：https://www.leiphone.com/news/201910/9J4PTd833WMwdVoQ.html）中一重大新工具，它源于 maskrcnn 基準測試，但它卻是對先前版本 detectron 的一次徹底重寫。Detectron2 包含了更大的靈活性與擴展性，并增強了可維護性和可伸縮性，以支持在生產中的用例。目前已在 GitHub 上開源，雷鋒網 AI 開發者將其重要內容整理編譯如下。

Detectron2 簡介

據官方介紹，Detectron2 是 FAIR 的下一代目標檢測和分割研究平臺。目前，它實現了最先進的目標檢測算法。

Detectron 2 與之前的 detectron 不同，它并非在原版基礎上進行改寫，而是徹底重寫的全新版本。新版目標檢測平臺 Detectron 2 則基于 PyTorch 框架，以 maskrcnn 基準測試作為起點。通過全新的模塊化設計，Detectron2 變得更靈活且易于擴展，它能夠在單個或多個 GPU 服務器上提供更快速的訓練速度。

Detectron2 的新特性

• 基于 PyTorch 框架 與 Detectron 在 Caffe2 中實現不同，Detectron2 則基于 PyTorch 實現。
• PyTorch 提供了一個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計和實驗，并讓開發者受益于 PyTorch 深度學習方法以及不斷改進的 PyTorch 活躍社區。

• 模塊化、可擴展設計 在 Detectron2 中，引入了模塊化設計，用戶可以將自定義模塊插入目標檢測系統的任意部分。這意味著許多新的研究項目可以用數百行代碼編寫，而核心 Detectron2 庫和全新的研究之間可以實現完全分離。
  通過建立新模型并發現新方法，可以不斷完善模塊化和可擴展的設計，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的算法設計。
• 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 還加入了幾個新模型，包括：Cascade R-CNN，Panoptic FPN 和 TensorMask，未來還將繼續添加更多算法。
  在 Detectron2 還包含了一些新功能，例如：同步批處理規范化（synchronous Batch Norm），以及對 LVIS 等新數據集的支持等。 

• 新任務支持 Detectron2 支持與目標檢測有關的一系列任務。和之前的 Detectron 一樣，它也支持目標檢測、實例分割、人體姿態估計等任務。此外，Detectron2 還支持語義分割和全景分割。
• 高實現質量 重寫的 Detectron2 能夠重新檢測底層的設計決策，并解決原來 Detectron 的幾個實現問題。 
• 速度和可擴展性 通過將整個訓練 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準型號下進行 GPU 服務器的分布式訓練，從而輕松擴展訓練數據集。
• Detectron2go 新增了將模型產品化部署的軟件實現，包括：標準的內部數據訓練工作流實現、模型壓縮量化、模型轉化等。

更多關于Detectron2 ：
http://ai.facebook.com/blog/-detectron2-a-pytorch-based-modular-object-detection-library-/ 
GitHub 開源地址：
https://github.com/facebookresearch/detectron2 

來源 | 雷鋒網