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
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
☟☟☟点击 | 阅读原文 | 查看更多精彩内容