Detectron是Facebook的物體檢測(cè)平臺(tái)，今天宣布開源，它基于Caffe2，用Python寫成，這次開放的代碼中就包含了Mask R-CNN的實(shí)現(xiàn)。

除此之外，Detectron還包含了ICCV 2017最佳學(xué)生論文RetinaNet，Ross Girshick（RBG）此前的研究Faster R-CNN和RPN、Fast R-CNN、以及R-FCN的實(shí)現(xiàn)。

Detectron的基干（backbone）網(wǎng)絡(luò)架構(gòu)包括ResNeXt{50,101,152}、ResNet{50,101,152}、FPN和VGG16。

同時(shí)，Facebook還發(fā)布了70多種ImageNet-1k預(yù)訓(xùn)練模型的性能基準(zhǔn)，包括用用1、2塊GPU時(shí)，上述各種基干架構(gòu)和檢測(cè)算法相結(jié)合做區(qū)域建議、遮罩檢測(cè)以及人體關(guān)鍵點(diǎn)檢測(cè)的訓(xùn)練時(shí)間、推理時(shí)間等。

要使用Detectron，你需要先配置英偉達(dá)GPU（是的，它還不支持CPU）、Linux系統(tǒng)和Python2，還要安裝Caffe2和COCO API。然后，三步裝上Detectron：

Clone Detectron：

# DETECTRON=/path/to/clone/detectron git clone https://github.com/facebookresearch/detectron $DETECTRON

設(shè)置Python模塊：

cd $DETECTRON/lib && make

檢查Detectron的測(cè)試通過：

python2 $DETECTRON/tests/test_spatial_narrow_as_op.py

這樣，就足夠用預(yù)訓(xùn)練模型做推理了。

如果要用Detectron來訓(xùn)練自己的檢測(cè)模型，就需要先確保能通過符號(hào)鏈接lib/datasets/data找到數(shù)據(jù)集，然后用CMake創(chuàng)建定制的運(yùn)算符庫：

cd $DETECTRON/lib && make ops

并檢查這些運(yùn)算符的測(cè)試通過：

python2 $DETECTRON/tests/test_zero_even_op.py

Facebook還貼心地寫了份上手教程，教你用預(yù)訓(xùn)練的Mask R-CNN來做物體檢測(cè)。

如果要在本地圖像上運(yùn)行，只需要使用infer_simple.py工具，運(yùn)行：

python2 tools/infer_simple.py \--cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \--output-dir /tmp/detectron-visualizations \--image-ext jpg \--wts https://s3-us-west-2.amazonaws.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \demo

就能得到如下圖所示的輸出。

如果要在COCO數(shù)據(jù)集上做推理，需要運(yùn)行：

python2 tools/test_net.py \--cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \TEST.WEIGHTS https://s3-us-west-2.amazonaws.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \NUM_GPUS 1

上面這個(gè)例子，用了端到端預(yù)訓(xùn)練的Mask R-CNN，在一塊GPU上運(yùn)行。如果要使用多個(gè)GPU，需要在第二行之后添加 —multi-gpu-testing \ 并更改最后的NUM_GPUS數(shù)量。

截至量子位發(fā)稿，Detectron在GitHub上放出7小時(shí)，已經(jīng)收獲738顆星標(biāo)、101次Fork。

RBG在Facebook上發(fā)帖介紹說，這個(gè)項(xiàng)目2016年7月啟動(dòng)，想要基于Caffe 2構(gòu)建一個(gè)快速、靈活的物體檢測(cè)系統(tǒng)，至今已經(jīng)一年半的時(shí)間。Detectron系統(tǒng)本來是Facebook內(nèi)部使用的，我們前面提到的Mask R-CNN和RetinaNet背后，都由Detectron提供支持。

除了RBG之外，Ilija Radosavovic、Georgia Gkioxari、Piotr Dollar和何愷明也參與了Detectron項(xiàng)目。

在Facebook內(nèi)部，Detectron不僅用于研究，還用來為增強(qiáng)現(xiàn)實(shí)、商業(yè)誠信等方面的應(yīng)用訓(xùn)練定制化的模型。這些模型訓(xùn)練完成后可以部署在云端或者移動(dòng)設(shè)備上，由Caffe2運(yùn)行時(shí)提供支持。

RBG說，Facebook將Detectron平臺(tái)開源出來，是想要加速世界各地實(shí)驗(yàn)室的研究，推動(dòng)物體檢測(cè)的進(jìn)展。

Now go forth and create algorithms to detect all of the things!

想用Detectron搞物體檢測(cè)算法，你可能要用到下面這些鏈接：

Detectron開源代碼：
https://github.com/facebookresearch/Detectron

相關(guān)物體檢測(cè)論文：

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

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

Faster R-CNN和RPN
https://arxiv.org/abs/1506.01497

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

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

性能基準(zhǔn)和Model ZOO：
https://github.com/facebookresearch/Detectron/blob/master/MODEL_ZOO.md

另外，你們可能還想去RBG大神的FB帖子底下表達(dá)一波感謝（以及質(zhì)問開源代碼為何拖了這么久）：

https://www.facebook.com/ross.girshick/posts/10159910213745261

轉(zhuǎn)載于:https://www.cnblogs.com/Anita9002/p/8335710.html

總結(jié)

以上是生活随笔為你收集整理的Mask R-CNN详解和安装的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。