detectron2的简介和配置

  • detectron2的简介和配置

前言:距离上一篇博客过了两年,几近放弃DL和RL这非常有趣的领域,近日重拾DL,在摸索中打算整理一下深度学习框架,争取做到“探索”和“利用“相统一hhh,还是要紧跟潮流啊。因为重装了一遍服务器并且更新了显卡驱动,很多基础的库需要重新安装。

下一篇博客detectron2的结构介绍及代码实现_d948142375的博客-CSDN博客介绍了DET2的关键代码,并贴了我的代码,实现了“客制化数据集注册-训练-测试”的流程,没写训练中进行评估,若有错欢迎指出。

如果小伙伴们踩到了新坑或者我写错了的地方,欢迎提出,谢谢。

detectron2简介(以下简称DET2)

detectron2是facebook AI research(FAIR)重构detectron的深度学习框架,是2020年最火的深度学习框架(另外还有mmdetection,simpledet,目标检测三大开源神器:Detectron2/mmDetection/SimpleDet - 知乎 (zhihu.com))。detectron2从基于caffe重构为完全基于pytorch,集成了先进的目标检测和语义分割算法,并有一大批预训练好的模型,即插即用十分方便,包含:

1. faster-RCNN (pytorch版的faster-RCNN是端到端实现的,而不是论文中提到的交替训练),这里我没有看源码,不过应该是把RPN和fast-RCNN实现联合训练的优化之后的版本。——目标检测,COCO数据集预训练

2. retina-net——目标检测,COCO

3. RPN+fast-RCNN——目标检测,COCO

4. mask-RCNN——实例分割,COCO,LVIS

5. keypoint-RCNN——姿态检测,COCO

6. panoptic-FPN——全景分割,COCO

7. 其它

全部模型地址:detectron2/model_zoo.py at master · facebookresearch/detectron2 · GitHub

其中,预训练模型(weights)、超参数(config)均可从该项目的model_zoo下载。

支持docker。

框架或模型若用于研究,请加上FAIR的标签:

@misc{wu2019detectron2,
  author =       {Yuxin Wu and Alexander Kirillov and Francisco Massa and
                  Wan-Yen Lo and Ross Girshick},
  title =        {Detectron2},
  howpublished = {\url{https://github.com/facebookresearch/detectron2}},
  year =         {2019}
}

配置detectron2(ubuntu,conda)

我配的V**,下不动或打不开网页的考虑配一个,以下均为V**连接下的可用方法。

DET2的github地址:GitHub - facebookresearch/detectron2: Detectron2 is FAIR's next-generation platform for object detection, segmentation and other visual recognition tasks.

tutorials:Installation — detectron2 0.4 documentation

要求:python >=3.6,pytorch>=1.6并有匹配版本的pytorch。但是鉴于opencv,建议使用python=3.6创建虚拟

  • 20
    点赞
  • 113
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
### 回答1: Detectron2是Facebook AI研究院出品的一款开源框架,采取了全新的设计,用于实现图像分割,目标检测,关键点检测和视觉重定位。MMDetection是阿里云出品的一款开源框架,用于实现目标检测。它具有更具可扩展性和灵活性,且在很多指标上都超越了Detectron2,比如速度,准确率等。因此,Detectron2和MMDetection的主要区别在于功能,性能,可扩展性和灵活性等方面。 ### 回答2: Detectron2和mmdetection是两个用于目标检测任务的开源框架,它们在设计和功能上有一些区别。 首先,Detectron2是由Facebook AI Research开发的,而mmdetection是由华中科技大学的开发团队提供支持。这两个框架都是基于PyTorch构建的,因此用户可以使用PyTorch的强大功能和灵活性。但它们有不同的架构和设计。 其次,Detectron2是在Detectron的基础上进行重写和重构的新版本。它引入了一种更加模块化和可扩展的设计,使用户能够更方便地定制和修改模型。Detectron2还提供了更多的功能和增强的性能。相比之下,mmdetection也是一个功能丰富的框架,但它的设计更加传统,没有像Detectron2那样的模块化设计。 此外,这两个框架在支持的模型结构和数据集上也有一些差异。Detectron2支持各种经典的目标检测模型,例如Faster R-CNN,Mask R-CNN等,并且还提供了一些先进的模型,如Panoptic FPN和COCO Keypoint R-CNN等。而mmdetection也支持大多数经典的模型结构,并且也在不断地更新和扩充模型库。 总结起来,Detectron2和mmdetection都是强大的目标检测框架,都提供了广泛的模型选择和丰富的功能。Detectron2在设计上更加模块化和可扩展,而mmdetection在模型库的更新和拓展方面更有优势。用户可以根据自己的需求和熟悉程度选择适合自己的框架。 ### 回答3: Detectron2和mmdetection都是目标检测任务的开源框架,但它们在实现和使用上有一些区别。 首先,Detectron2是由Facebook AI Research开发的,而mmdetection是由华为开源的项目。因此,两者在社区和支持上有一些差异。 其次,Detectron2构建在PyTorch深度学习库之上,而mmdetection使用的是MMdnn跨框架转换工具,可以同时兼容多种深度学习框架。这意味着Detectron2更加紧密地与PyTorch集成,并可以享受到PyTorch生态系统的一些优势。 另外,Detectron2在性能方面表现出色。它使用了一些先进的技术规范,如ResNet,GN,FPN等,并采用了高效的RPN和ROI pooling等组件。这些技术可以使Detectron2在目标检测任务中取得更好的性能。 此外,Detectron2的设计理念是模块化和可扩展的。它提供了丰富的组件和模块,可以轻松地构建和定制不同的目标检测模型。这使得Detectron2在研究和开发方面具有更大的灵活性。 而mmdetection也有其独特之处。它提供了丰富的预训练模型和配置文件,可以方便地进行模型迁移和训练。此外,mmdetection还提供了一些额外的功能,如级联RCNN和RoI Align等,可以应对更加复杂的目标检测场景。 综上所述,Detectron2和mmdetection都是强大的目标检测框架,各自有其特点和优势。选择使用哪一个框架取决于个人需求和偏好。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值