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:
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:
主要使用以下主干网络体系结构:
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