Mask R-CNN 源代码终上线，Facebook 开源目标检测平台—Detectron

Example Mask R-CNN output

Facebook AI 研究院（FAIR）昨日开源了一款目标检测平台—Detectron，基于Python和Caffe2搭建，其目标是为目标检测研究提供高质量，高性能的代码库。Detectron 包含Mask R-CNN、RetinaNet、Faster R-CNN、RPN、Fast R-CNN以及R-FCN 这些目标检测算法的实现。

Detectron 简介

Detectron 是 FAIR 用于实现最先进的目标检测算法（包括 Mask R-CNN）的软件系统。该系统基于深度学习框架 Caffe 2 ，由 Python 编写而成。

截至营长发稿，目前Detectron在Github上已经获得了5388颗星。

目前，Detectron 已经支持许多研究项目，包括：

Feature Pyramid Networks for ObjectDetection（https://arxiv.org/abs/1612.03144）

Mask R-CNN（https://arxiv.org/abs/1703.06870）

Detecting and Recognizing Human-Object Interactions（https://arxiv.org/abs/1704.07333）

Focal Loss for Dense Object Detection（https://arxiv.org/abs/1708.02002）

Non-local Neural Networks(https://arxiv.org/abs/1711.07971)

Learning to Segment Every Thing(https://arxiv.org/abs/1711.10370)

Data Distillation: Towards Omni-Supervised Learning(https://arxiv.org/abs/1712.04440)

FAIR创建 Detectron 是为了向目标检测研究提供高质量、高性能的代码库。它拥有足够的灵活性，可以支持最新研究的快速实施和评估。Detectron 目前囊括了以下对象检测算法的实现：

Mask R-CNN(https://arxiv.org/abs/1703.06870)

RetinaNet(https://arxiv.org/abs/1708.02002)

Faster R-CNN(https://arxiv.org/abs/1506.01497)

RPN(https://arxiv.org/abs/1506.01497)

Fast R-CNN(https://arxiv.org/abs/1504.08083)

R-FCN(https://arxiv.org/abs/1605.06409)

主要使用以下主干网络体系结构：

ResNeXt(https://arxiv.org/abs/1611.05431)

ResNet(https://arxiv.org/abs/1512.03385)

Feature Pyramid Networks(https://arxiv.org/abs/1612.03144)

VGG16(https://arxiv.org/abs/1409.1556)

此外，我们在 Detectron Model Zoo 中提供了大量的基准结果和训练模型以供下载。（https://github.com/facebookresearch/Detectron/blob/master/MODEL_ZOO.md）

如何安装Detectron

详细安装信息，请参考：

https://github.com/facebookresearch/Detectron/blob/master/INSTALL.md

要求：

1.NVIDIA GPU, Linux, Python2

2.Caffe2（请确已将Caffe2升级至支持Detectron模块的版本）和 COCO API

依赖安装

Caffe2安装详见：

https://caffe2.ai/docs/getting-started.html

COCO API：

https://github.com/cocodataset/cocoapi

Detectron安装

Clone the Detectron repository：

# DETECTRON=/path/to/clone/detectron

git clone https://github.com/facebookresearch/detectron $DETECTRON

设置Python模块：

cd $DETECTRON/lib && make

检查Detectron测试通过（比如SpatialNarrowAsOp测试）：

python2 $DETECTRON/tests/test_spatial_narrow_as_op.py

接下来就可以使用Detectron预训练模型进行推理了。

关于安装以及其他问题，请见：

https://github.com/facebookresearch/Detectron/blob/master/INSTALL.md

热文精选