Detectron是Facebook于2018年发布的专注于目标检测的深度学习框架，基于Caffe2深度学习框架，实现了众多state-of-the-art算法，其与商汤-香港中文大学MMLab实验室开源的mmdetection为目标检测领域框架双雄。

截止今天Detectron已有2.2万颗Star：

可见受欢迎程度。

10 月 11日，Facebook发布了Detectron2，基于PyTorch框架，是从maskrcnn-benchmark为起点，对Detectron的彻底重写。

官方称通过全新的模块化设计，Detectron2灵活且可扩展，能够在单个或多个GPU服务器上提供更加快速的训练。

Detectron2已经包含了众多保质量实现的目标检测算法，包括：DensePose, panoptic feature pyramid networks,和Mask RCNN的各种变种。其模块化特性也使其能够有效帮助研究人员探索最先进的算法设计。

Detectron2不仅方便研究人员，事实上，Facobook已经将其应用于内部实际的工程应用，比如工程师正基于Detectron2构筑先进的姿态估计模型，将其部署在Facebook的Smart Camera项目中。

基于PyTorch：最初的Detectron在Caffe2中实现。PyTorch提供了更直观的命令式编程模型，使研究人员和工程人员可以更快地迭代模型设计和实验。现在Detectron2可使开发者从PyTorch深度学习技术和活跃的社区受益。

模块化，可扩展的设计：在Detectron2中，引入了模块化设计，允许用户将自定义模块插入目标检测系统的几乎任何部分。这意味着许多新的研究项目可以用数百行代码编写，而核心Detectron2库和新颖的研究实现之间可以完全分开。官方将通过实现新模型并发现新方法来不断完善模块化、可扩展的设计，以使Detectron2更加灵活。

新的模型和功能：Detectron2包括Detectron中可用的所有模型，例如Faster R-CNN，Mask R-CNN，RetinaNet和DensePose。另外，新增了Cascade R-CNN，Panoptic FPN和TensorMask新模型，并将继续添加更多算法。我们还添加了同步批处理规范化（synchronous Batch Norm）等功能，并支持LVIS等新数据集。

新任务：Detectron2不仅支持Detectron已有的目标检测、实例分割、姿态估计等任务，还支持语义分割和全景分割。

高实现质量：彻底重写Detectron2，使得能够重新审视低级设计决策并解决了原始Detectron中的几个实现问题。

速度和可扩展性：Detectron2比原始Detectron更快，而且可以更加方便进行GPU服务器的分布式训练。

Detectron2go：新增了将模型产品化部署的软件实现，包括标准的内部数据训练工作流实现、模型压缩量化、模型转化等。

开发人员希望通过Detectron2的开源，使研究人员和产品开发人员都能从中受益。

开源地址：

https://github.com/facebookresearch/detectron2

推荐阅读

• 估值被砍700亿美元后，Waymo发重磅公开信：即将推出全自动驾驶打车服务

• CVPR 2019论文阅读：Libra R-CNN如何解决不平衡对检测性能的影响？

• 多数编程语言里的0.1+0.2≠0.3?

• 人体姿态估计的过去、现在和未来

• 图灵奖得主Bengio再次警示：可解释因果关系是深度学习发展的当务之急

• 技术领域有哪些接地气又好玩的应用？

• Python新工具：用三行代码提取PDF表格数据

• 国产嵌入式操作系统发展思考

• 2019 年诺贝尔物理学奖揭晓！三得主让宇宙“彻底改观”！

• 公链故事难再续？

你点的每个“在看”，我都认真当成了AI