本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

第一：超強PyTorch目標檢測庫Detectron2，5天3100星">

PyTorch目標檢測庫Detectron2誕生了，Facebook出品。

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

站在初代的肩膀上，它訓練比從前更快，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目標檢測庫Detectron2，5天3100星">

除此之外，團隊把大規模姿態估計算法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，就可以把它當成一個廣泛支持各種研究工作的庫了。

那么，現在就來仔細觀察一下，Detectron2都發生了哪些進化：

全方位升級

第一：超強PyTorch目標檢測庫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里實現的。

團隊說，PyTorch有直觀的指令式編程，這樣就能更快地迭代模型設計和實驗。

Detectron2是在PyTorch里從零開始寫成的，團隊希望這種做法，能讓用戶享受PyTorch做深度學習的思路。社區更活躍的話，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，加到一個目標檢測系統的任何部分里去。

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：

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等等許多新的數據集。

新任務

和目標檢測有關的任務，初代已經支持了一部分，二代也都支持：

有邊界框的目標檢測，實例分割mask，以及人類姿態預測。

第一：超強PyTorch目標檢測庫Detectron2，5天3100星">

在這基礎之上，二代又增加了新任務：

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合到一起的任務。

速度快

博客提到，由于把整個訓練pipeline移到了GPU上，二代比初代更快了，在許多模型上都是如此。分布式訓練，讓幾臺GPU一起跑的話，還可以把訓練規模擴張到更大的數據集上。

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。這樣就跳過了GPU預熱時間。結果如下：

第一：超強PyTorch目標檢測庫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練的進行而變化，這取決于模型的預測。

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

部署一下

最后，Facebook的計算機視覺攻城獅們，實現了一個額外的軟件層，叫Detectron2go。

有了它，就可以更快地把新實現的模型，部署到生產環節。

這一層的功能包括了標準訓練工作流，帶有內部數據集，網絡量化，以及模型轉化 (為了給云端和移動端部署，選擇各自最優的格式) 。