Facebook开源计算机视觉目标检测平台Detectron

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 Object Detection（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{50,101,152} (https://arxiv.org/abs/1611.05431)

ResNet{50,101,152} (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

Facebook开源计算机视觉目标检测平台Detectron相关推荐

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 ...
Facebook 开源3D目标检测框架VoteNet，曾刷新两大数据集最高精度
点击我爱计算机视觉标星,更快获取CVML新技术 VoteNet为Facebook何恺明等人于今年4月在论文Deep Hough Voting for 3D Object Detection in Po ...
重磅开源！目标检测新网络 DetectoRS：54.7 AP，特征金字塔与空洞卷积的完美结合
原文链接:重磅开源!目标检测新网络 DetectoRS:54.7 AP,特征金字塔与空洞卷积的完美结合论文地址:https://arxiv.org/abs/2006.02334 代码地址(基于mmd ...
使用Azure认知服务快速搭建一个目标检测平台
文章目录前言 1. 认知服务 2. 环境配置 2.1 创建资源 2.2 创建python环境 3. 代码实现 3.1 图片检测 3.2 视频检测 4. 检测效果结束语前言博主参与了由CSD ...
计算机视觉目标检测的框架与过程
计算机视觉目标检测的框架与过程 FROM:http://blog.csdn.net/zouxy09/article/details/7928771 个人接触机器视觉的时间不长,对于机器学习在目标检测的 ...
目标检测如何计算召回率_计算机视觉目标检测的框架与过程
计算机视觉个人接触机器视觉的时间不长,对于机器学习在目标检测的大体的框架和过程有了一个初步的了解,不知道对不对,如有错误,请各位大牛不吝指点. 目标的检测大体框架: 计算机视觉目标检测分为以下几个 ...
睿智的目标检测30——Pytorch搭建YoloV4目标检测平台
睿智的目标检测30--Pytorch搭建YoloV4目标检测平台学习前言什么是YOLOV4 代码下载 YOLOV4改进的部分(不完全) YOLOV4结构解析 1.主干特征提取网络Backbone ...
睿智的目标检测32——TF2搭建YoloV4目标检测平台（tensorflow2）
睿智的目标检测32--TF2搭建YoloV4目标检测平台(tensorflow2) 学习前言什么是YOLOV4 代码下载 YOLOV4改进的部分(不完全) YOLOV4结构解析 1.主干特征提取网络 ...
目标检测学习————Keras搭建yolo3目标检测平台
Keras搭建yolo3目标检测平台源码下载 yolo3实现思路一.预测部分二.训练部分训练自己的yolo3模型参考原文出处点击进入https://blog.csdn.net/weixin ...

Facebook开源计算机视觉目标检测平台Detectron

Facebook开源计算机视觉目标检测平台Detectron相关推荐

最新文章

热门文章