本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

第一：超強PyTorch目標(biāo)檢測庫Detectron2，5天3100星">

PyTorch目標(biāo)檢測庫Detectron2誕生了，F(xiàn)acebook出品。

第一：超強PyTorch目標(biāo)檢測庫Detectron2，5天3100星" style="text-align: center;">

站在初代的肩膀上，它訓(xùn)練比從前更快，功能比從前更全，支持的模型也比從前更豐盛。

開源5天，已在GitHub收獲3100星，還成了趨勢榜第一：

第一：超強PyTorch目標(biāo)檢測庫Detectron2，5天3100星">

除此之外，團(tuán)隊把大規(guī)模姿態(tài)估計算法DensePose，做出了基于Detectron2的新版本。

Facebook說，像DensePose一樣，今后會有更多研究項目，在Detectron2上搭建起來。

這樣，就可以把它當(dāng)成一個廣泛支持各種研究工作的庫了。

那么，現(xiàn)在就來仔細(xì)觀察一下，Detectron2都發(fā)生了哪些進(jìn)化：

全方位升級

第一：超強PyTorch目標(biāo)檢測庫Detectron2，5天3100星">

首先，Detectron2比起初代，最明顯的變化是：

基于PyTorch了，初代還是在Caffe2里實現(xiàn)的。

團(tuán)隊說，PyTorch有直觀的指令式編程，這樣就能更快地迭代模型設(shè)計和實驗。

Detectron2是在PyTorch里從零開始寫成的，團(tuán)隊希望這種做法，能讓用戶享受PyTorch做深度學(xué)習(xí)的思路。社區(qū)更活躍的話，PyTorch也會變得更好。

第二個變化，是模塊化了。

所謂模塊化，就是用戶可以把自己定制的模塊實現(xiàn)，加到一個目標(biāo)檢測系統(tǒng)的任何部分里去。

這意味著許多的新研究，都能用幾百行代碼寫成，并且可以把新實現(xiàn)的部分，跟核心Detectron2庫完全分開。

除此之外，還有許多新支持的模型、功能和任務(wù)：

新模型&新功能

首先，Detectron2包含了一代可用的所有模型：

比如Faster R-CNN，Mask R-CNN，RetinaNet，DensePose等等。

第一：超強PyTorch目標(biāo)檢測庫Detectron2，5天3100星">

然后，加入了一些新模型：

比如Cascade R-NN，Panoptic FPN，以及TensorMask。

今后，陸續(xù)會有新的算法支持。

功能方面，二代新支持了同步批量歸一化 (synchronous Batch Norm) ，也支持了LVIS等等許多新的數(shù)據(jù)集。

新任務(wù)

和目標(biāo)檢測有關(guān)的任務(wù)，初代已經(jīng)支持了一部分，二代也都支持：

有邊界框的目標(biāo)檢測，實例分割mask，以及人類姿態(tài)預(yù)測。

第一：超強PyTorch目標(biāo)檢測庫Detectron2，5天3100星">

在這基礎(chǔ)之上，二代又增加了新任務(wù)：

語義分割和全景分割 (Panoptic Segmentation) ，這是一個把語義分割和實例分割結(jié)合到一起的任務(wù)。

速度快

博客提到，由于把整個訓(xùn)練pipeline移到了GPU上，二代比初代更快了，在許多模型上都是如此。分布式訓(xùn)練，讓幾臺GPU一起跑的話，還可以把訓(xùn)練規(guī)模擴(kuò)張到更大的數(shù)據(jù)集上。

速度的對比，是用第100-500次迭代之間的平均吞吐量 (Average Throughput) 作為指標(biāo)。這樣就跳過了GPU預(yù)熱時間。結(jié)果如下：

第一：超強PyTorch目標(biāo)檢測庫Detectron2，5天3100星">

肉眼可見的加速。

注意，對于R-CNN這類模型，一個模型的吞吐量會隨著訓(xùn)練的進(jìn)行而變化，這取決于模型的預(yù)測。

因此，這個指標(biāo)也不能和model zoo里的“訓(xùn)練速度”相提并論。model zoo用的是整個訓(xùn)練過程運行的平均速度。

部署一下

最后，F(xiàn)acebook的計算機(jī)視覺攻城獅們，實現(xiàn)了一個額外的軟件層，叫Detectron2go。

有了它，就可以更快地把新實現(xiàn)的模型，部署到生產(chǎn)環(huán)節(jié)。

這一層的功能包括了標(biāo)準(zhǔn)訓(xùn)練工作流，帶有內(nèi)部數(shù)據(jù)集，網(wǎng)絡(luò)量化，以及模型轉(zhuǎn)化 (為了給云端和移動端部署，選擇各自最優(yōu)的格式) 。