专栏介绍

Detectron是构建在Caffe2和Python之上计算机视觉库，集成了多项计算机视觉最新成果，一经发布广受好评。近期，Facebook AI研究院又开源了Detectron的升级版,也就是接下来我们要介绍的：Detectron2。

Detectron2 是 Facebook AI Research 推出的第二代CV库，它不但进一步集成了最新的目标检测算法,，而且是对先前版本 Detectron 的完全重写，号称目标检测三大开源神器之一(Detectron2/mmDetection（MMDetection专栏开篇）/SimpleDet)。源自最初的maskrcnn-benchmark库。

与 mmdetection 、TensorFlow Object Detection API一样，Detectron2 也是通过配置文件来设置各种参数，从而实现当前最优的目标检测效果。

新特性：

• 基于PyTorch深度学习框架进行进一步的封装：PyTorch可以提供更直观的命令式编程模型，开发者可以更快的进行迭代模型设计和实验。

• 包含更多的功能：支持panoptic segmentation（Kaiming He et.al, CVPR2019），densepose，Cascade R-CNN，rotated bounding boxes等等。

• 可扩展性强：从Detectron2开始,Facebook引入了自定义设计，允许用户更加方便地定制适合自己任务的目标检测器。这种可扩展性使得Detectron2更加灵活。

• 更及时与全面的支持语义分割和全景分割的最新学术成果，而且将一直更新下去。

• 实现质量：从头开始重写推出的Detectron2,解决了原始Detectron中的几个实现问题,比原始Detectron更快。

目 录 

1.入门基础知识讲解

1.1 安装

1.1.1 要求

1.1.2 从源代码构建Detectron2

1.1.3 安装预建Detectron2

1.1.4 常见安装问题

1.2 Detectron2入门

1.2.1 预训练模型的推理演示

1.2.2 命令行中的训练和评估

1.2.3 在代码中使用Detectron2的API

1.3 扩展Detectron2的默认值

1.4 使用自定义数据集

1.4.1 注册数据集

1.4.2 数据集的"元数据"

1.4.3 更新新数据集的配置

1.5 使用自定义数据加载器

1.5.1 现有数据加载器的工作方式

1.5.2 编写自定义数据加载器

1.5.3 使用自定义数据加载器

1.6 使用模型

1.6.1 模型输入格式

1.6.2 模型输出格式

1.6.3 如何在代码中使用模型

1.6.4 部分执行模型

1.7 写模型

1.8 训练

1.8.1 指标记录

1.9 评价

1.10 使用配置

1.10.1 使用配置

1.10.2 配置最佳实践

1.11 部署方式

1.11.1 Caffe2部署

2.注意事项

2.1 基准测试

2.1.1 设置

2.1.2 主要结果

2.2 与其他库的兼容性

2.2.1 与Detectron(和maskrcnn-benchmark)的兼容性

2.2.2 与Caffe2的兼容性

2.2.3 与TensorFlow的兼容性

2.3 为detectron2做贡献

2.3.1 问题

2.3.2 拉取请求

2.3.3 贡献者许可协议("CLA")

2.3.4 执照

2.4 变更记录

2.4.1 发布

2.4.2 向后不兼容的显着变化

2.4.3 配置版本更改日志

2.4.4 历史版本中的已知错误

3.API文档

更新计划

每周两篇，欢迎持续关注，一起进步。

Detectorn2 项目地址：https://github.com/facebookresearch/detectron2

☆ END ☆

如果看到这里，说明你喜欢这篇文章，请转发、点赞。微信搜索「uncle_pn」，欢迎添加小编微信「 mthler」，每日朋友圈更新一篇高质量博文（无广告）。

↓扫描二维码添加小编↓