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

招聘

新一年，AI科技大本营的目标更加明确，有更多的想法需要落地，不过目前对于营长来说是“现实跟不上灵魂的脚步”，因为缺人~~

所以，AI科技大本营要壮大队伍了，现招聘AI记者和资深编译，有意者请将简历投至：gulei@csdn.net，期待你的加入！

如果你暂时不能加入营长的队伍，也欢迎与营长分享你的精彩文章，投稿邮箱：suiling@csdn.net

如果以上两者你都参与不了，那就加入AI科技大本营的读者群，成为营长的真爱粉儿吧！后台回复：读者群，加入营长的大家庭，添加营长请备注自己的姓名，研究方向，营长邀请你入群。

热文精选

开发者AI职业指南：CSDN《AI技术人才成长路线图V1.0》重磅发布

企业智能化升级之路：CSDN《2017-2018中国人工智能产业路线图V1.0》重磅发布

蒋涛：重新回归的我，将带领CSDN全方位升级，为AI转型者打造一站式平台

速成班出来的AI人才，老板到底要不要？6位导师告诉你行业真相

AI行业求生之路：做算法的去养鸡场，做语音的卖鸡蛋，做视觉的送蛋炒饭

程序员如何一夜暴富？这里有一份比特币价格预测指南

2018 年了，该不该下定决心转型AI呢？

先搞懂这八大基础概念，再谈机器学习入门！

这三个普通程序员，几个月就成功转型AI，他们的经验是...

干货 | AI 工程师必读，从实践的角度解析一名合格的AI工程师是怎样炼成的

☟☟☟点击 | 阅读原文 | 查看更多精彩内容