Mask R-CNN 源代码终上线,Facebook 开源目标检测平台—Detectron

Mask R-CNN 源代码终上线,Facebook 开源目标检测平台—Detectron_第1张图片

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。


Mask R-CNN 源代码终上线,Facebook 开源目标检测平台—Detectron_第2张图片


目前,Detectron 已经支持许多研究项目,包括:


  • Feature Pyramid Networks for Object Detectionhttps://arxiv.org/abs/1612.03144

  • Mask R-CNNhttps://arxiv.org/abs/1703.06870

  • Detecting and Recognizing Human-Object Interactionshttps://arxiv.org/abs/1704.07333

  • Focal Loss for Dense Object Detectionhttps://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:[email protected],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:[email protected]


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


Mask R-CNN 源代码终上线,Facebook 开源目标检测平台—Detectron_第3张图片


☟☟☟点击 | 阅读原文 | 查看更多精彩内容

你可能感兴趣的:(Mask R-CNN 源代码终上线,Facebook 开源目标检测平台—Detectron)