您所在的位置官网首页 > 中文 > 媒体资讯 > 展会信息 >
PyTorch目标检测库Detectron2,成了GitHub趋势榜第一
2019-10-18
 

标题:PyTorch目标检测库Detectron2,成了GitHub趋势榜第一

PyTorch目标检测库Detectron2诞生了,Facebook出品。

站在初代的肩膀上,它训练比从前更快,功能比从前更全,支持的模型也比从前更丰盛。

开源5天,已在GitHub收获3100星,还成了趋势榜第一:

除此之外,团队把大规模姿态估计算法DensePose,做出了基于Detectron2的新版本。

Facebook说,像DensePose一样,今后会有更多研究项目,在Detectron2上搭建起来。

这样,就可以把它当成一个广泛支持各种研究工作的库了。

那么,现在就来仔细观察一下,Detectron2都发生了哪些进化:全方位升级

首先,Detectron2比起初代,最明显的变化是:

基于PyTorch了,初代还是在Caffe2里实现的。

团队说,PyTorch有直观的指令式编程,这样就能更快地迭代模型设计和实验。

Detectron2是在PyTorch里从零开始写成的,团队希望这种做法,能让用户享受PyTorch做深度学习的思路。社区更活跃的话,PyTorch也会变得更好。

第二个变化,是模块化了。

所谓模块化,就是用户可以把自己定制的模块实现,加到一个目标检测系统的任何部分里去。

这意味着许多的新研究,都能用几百行代码写成,并且可以把新实现的部分,跟核心Detectron2库完全分开。

除此之外,还有许多新支持的模型、功能和任务:

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。

然后,加入了一些新模型:比如Cascade R-NN,Panoptic FPN,以及TensorMask。

今后,陆续会有新的算法支持。

功能方面,二代新支持了同步批量归一化 ,也支持了LVIS等等许多新的数据集。

新任务

和目标检测有关的任务,初代已经支持了一部分,二代也都支持:有边界框的目标检测,实例分割mask,以及人类姿态预测。

在这基础之上,二代又增加了新任务:语义分割和全景分割 ,这是一个把语义分割和实例分割结合到一起的任务。速度快

博客提到,由于把整个训练pipeline移到了GPU上,二代比初代更快了,在许多模型上都是如此。分布式训练,让几台GPU一起跑的话,还可以把训练规模扩张到更大的数据集上。

速度的对比,是用第100-500次迭代之间的平均吞吐量 作为指标。这样就跳过了GPU预热时间。结果如下:

肉眼可见的加速。

注意,对于R-CNN这类模型,一个模型的吞吐量会随着训练的进行而变化,这取决于模型的预测。

因此,这个指标也不能和model zoo里的“训练速度”相提并论。model zoo用的是整个训练过程运行的平均速度。

部署一下

最后,Facebook的计算机视觉攻城狮们,实现了一个额外的软件层,叫Detectron2go。

有了它,就可以更快地把新实现的模型,部署到生产环节。

这一层的功能包括了标准训练工作流,带有内部数据集,网络量化,以及模型转化 。

— 完 —

福建造血式援宁 打造一支带不走的科特派队伍 返回 下一篇:没有了
Copyright © 2018 凯发k8官网下载凯发k8官网下载 All Rights Reserved
地址:中华人民共和国
电话: