计算机视觉深度学习【免费下载链接】DetectronFAIRs research platform for object detection research, implementing popular algorithms like Mask R-CNN and RetinaNet.项目地址https://gitcode.com/gh_mirrors/de/Detectron点击查看免费下载导读Detectron 是 Facebook AI ResearchFAIR发布的目标检测研究平台用 Python 编写、以 Caffe2 为深度学习后端实现了 Mask R-CNN、RetinaNet、Faster R-CNN、RPN、Fast R-CNN、R-FCN 等主流算法。本文以仓库根目录 README.md 为核心骨架结合 INSTALL.md、GETTING_STARTED.md、MODEL_ZOO.md、FAQ.md 与源码实现系统讲解 Detectron 的定位、算法与骨干网络、安装与依赖、预训练模型推理、COCO 数据集训练、多 GPU 并行、Model Zoo 基线及自定义算子开发。读完本文你将能够独立完成 Detectron 的安装、用预训练模型做单图/批量推理、按线性缩放规则配置 1/2/4/8 GPU 训练并理解其配置文件的每一个关键参数。注意Detectron 已被官方弃用并停止维护其官方推荐的替代方案是 detectron2——一个在 PyTorch 中从零重写的版本。本文所讲内容均以当前仓库实际代码与文档为准。Detectron 是什么研究导向的检测代码库项目定位Detectron 的目标是提供一个高质量、高性能、面向研究的目标检测代码库。它并非面向开箱即用的产品化部署而是设计得足够灵活以便快速实现和评估新的研究方法。这一研究导向决定了其目录组织、配置体系和代码风格。支持的算法与骨干网络README 明确列出 Detectron 实现的检测算法对应论文可在文末 References 一节查到Mask R-CNNICCV 2017 Marr 奖RetinaNetICCV 2017 最佳学生论文奖基于 Focal Loss 的密集检测器Faster R-CNNRPNRegion Proposal Network区域提议网络Fast R-CNNR-FCN支持的骨干网络架构包括ResNeXt{50,101,152}ResNet{50,101,152}Feature Pyramid NetworksFPN与 ResNet/ResNeXt 组合使用VGG16从源码结构看这些骨干与检测头均可在 detectron/modeling/ 目录中找到对应实现例如 ResNet.py、FPN.py、VGG16.py、mask_rcnn_heads.py、retinanet_heads.py、rpn_heads.py。额外的骨干架构可以很容易地按同样模式扩展。与 FAIR 系列研究项目的关系在 FAIR 内部Detectron 支撑了大量研究项目包括 FPN、Mask R-CNN、人体-物体交互检测HOI、Focal Loss 密集检测、Non-local 神经网络、Learning to Segment Every Thing、Data Distillation、DensePose 以及 Group Normalization 等。项目结构速览仓库根目录的核心组织如下configs/所有实验的 YAML 配置文件按基线批次组织如12_2017_baselines/、04_2018_gn_baselines/以及入门教程配置getting_started/detectron/核心 Python 包包括core/配置与测试引擎、modeling/模型构建、roi_data/数据加载、datasets/数据集与评估、ops/自定义算子、utils/工具函数、tests/测试tools/命令行工具如 infer_simple.py、test_net.py、train_net.py、infer.py、reval.py、visualize_results.pydemo/演示图片与示例输出docker/Dockerfile用于构建官方 Docker 镜像projects/研究专题目录如 projects/GN/README.md 提供 Group Normalization 的模型与基线顶层文档INSTALL.md、GETTING_STARTED.md、MODEL_ZOO.md、FAQ.md、CONTRIBUTING.md安装 Detectron 与依赖含 Caffe2 与 COCO完整安装步骤在 INSTALL.md 中核心要点如下。环境要求NVIDIA GPU、Linux、Python2这是当时 Caffe2 生态的要求安装前务必确认环境匹配Caffe2、若干标准 Python 包、COCO API注意Detectron 的自定义算子目前没有 CPU 实现因此 GPU 系统是硬性要求官方在 CUDA 8.0 与 cuDNN 6.0.21 上做过充分测试。安装 Caffe2先按 Caffe2 官网指引安装带 CUDA 支持的 Caffe2。如果已安装 Caffe2务必更新到包含 Detectron 模块的版本该模块随 Caffe2/PyTorch 仓库分发包含 GroupNorm、BatchPermutation、SpatialNarrowAs 等专用算子。安装后用以下命令自检# 检查 Caffe2 是否构建成功 python -c from caffe2.python import core 2/dev/null echo Success || echo Failure # 检查 Caffe2 GPU 构建是否成功必须打印大于 0 的数字才能使用 Detectron python -c from caffe2.python import workspace; print(workspace.NumCudaDevices())如果caffe2Python 包找不到通常需要把 Caffe2 的 CMake 构建目录/path/to/caffe2/build加入PYTHONPATH。安装其他依赖安装 COCO API# COCOAPI/path/to/clone/cocoapi git clone https://github.com/cocodataset/cocoapi.git $COCOAPI cd $COCOAPI/PythonAPI make install # 安装到全局 site-packages # 或者python setup.py install --user # 无权限时安装到用户目录安装 Detectron# DETECTRON/path/to/clone/detectron git clone https://github.com/facebookresearch/detectron $DETECTRON pip install -r $DETECTRON/requirements.txt # 安装 Python 依赖 cd $DETECTRON make # 设置 Python 模块 # 检查测试是否通过以 SpatialNarrowAsOp 测试为例 python $DETECTRON/detectron/tests/test_spatial_narrow_as_op.py数据集通过符号链接接入Detectron 通过detectron/datasets/data下的符号链接定位数据集。详见 detectron/datasets/data/README.md。以 COCO 为例ln -s /path/to/coco $DETECTRON/detectron/datasets/data/coco并要求本地 COCO 目录具有如下结构coco_train2014/、coco_val2014/图片目录与annotations/instances_train2014.json等标注文件。如果不满足也可以逐项建符号链接mkdir -p $DETECTRON/detectron/datasets/data/coco ln -s /path/to/coco_train2014 $DETECTRON/detectron/datasets/data/coco/coco_train2014 ln -s /path/to/coco_val2014 $DETECTRON/detectron/datasets/data/coco/coco_val2014 ln -s /path/to/json/annotations $DETECTRON/detectron/datasets/data/coco/annotationsDetectron 使用的自定义minival与valminusminival标注可从官方链接下载见该 README。其中minival与 2017 年定义的val集完全等价valminusminival与 2014train的并集与 2017train集完全等价。PASCAL VOC 与 Cityscapes 的符号链接设置方式同理VOC 需把标注转为 COCO json 格式。高级主题自定义 Caffe2 算子Detectron 依赖一批专门的 Caffe2 算子它们随 Caffe2 的 Detectron 模块分发。如需为研究项目编写自定义算子参考实现位于 detectron/ops/如 zero_even_op.cc、zero_even_op.cuPython 侧加载示例见 detectron/tests/test_zero_even_op.py。构建自定义算子库并验证cd $DETECTRON make ops python $DETECTRON/detectron/tests/test_zero_even_op.pyDocker 方式仓库提供了 docker/Dockerfile可在满足要求的 Caffe2 镜像之上构建 Detectron 镜像cd $DETECTRON/docker docker build -t detectron:c2-cuda9-cudnn7 . # 运行镜像以 BatchPermutationOp 测试为例 nvidia-docker run --rm -it detectron:c2-cuda9-cudnn7 python detectron/tests/test_batch_permutation_op.py安装疑难排查要点CMake 找不到 CUDA/cuDNN构建 Caffe2 或自定义算子时用-DCUDA_TOOLKIT_ROOT_DIR/path/to/cuda/toolkit/dir和-DCUDNN_ROOT_DIR/path/to/cudnn/root/dir显式指定。Protobuf 错误Caffe2 要求 protobuf 3.2.0 或更新版本较老版本可从 Caffe2 的 protobuf 子模块重新构建并用-DPROTOBUF_PROTOC_EXECUTABLE、-DPROTOBUF_INCLUDE_DIR、-DPROTOBUF_LIBRARY指定。系统与 anaconda 同时装 protobuf 可能导致版本混用问题。Caffe2 Python 二进制问题用-DPYTHON_LIBRARY$(python -c from distutils import sysconfig; print(sysconfig.get_python_lib()))与-DPYTHON_INCLUDE_DIR$(python -c from distutils import sysconfig; print(sysconfig.get_python_inc()))指向 Python 库与头文件目录。NNPACK / OpenCVDetectron 不要求 NNPACK可用-DUSE_NNPACKOFF关闭OpenCV 同理可用-DUSE_OPENCVOFF。COCO API undefined symbol通常是系统与 conda 的 Python/numpy 混用导致注意统一 Python 环境。CMake 找不到 Caffe2确保 Caffe2 安装过程中执行过make install。算子性能分析Caffe2 提供 profiling 支持默认未开启构建时加-DUSE_PROFON可用于基准测试与调试算子。使用预训练模型进行推理安装完成后即可用 Model Zoo 的预训练模型做推理教程在 GETTING_STARTED.md。方式一对图片目录或单张图片推理tools/infer_simple.py可对一个目录下的所有图片如demo/*.jpg或单张图片执行端到端推理。以下示例使用 Model Zoo 中端到端训练的 Mask R-CNNResNet-101-FPN 骨干2x 学习率计划python tools/infer_simple.py \ --cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \ --output-dir /tmp/detectron-visualizations \ --image-ext jpg \ --wts https://dl.fbaipublicfiles.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \ demoDetectron 会根据--wts指定的 URL自动下载模型并把检测结果的可视化默认 PDF 格式可用--output-ext改为 jpg/png 等输出到--output-dir。从 tools/infer_simple.py 的源码可以看到该工具支持的全部参数参数作用默认值--cfg模型配置文件路径yaml无--wts模型权重文件路径或 URL/path/to/model_weights.pkl无--output-dir可视化输出目录/tmp/infer_simple--image-ext输入图片扩展名jpg--always-out即使未检测到物体也输出图片False--output-ext输出图片格式pdf--thresh可视化检测结果的置信度阈值0.7--kp-thresh可视化关键点的阈值2.0im_or_folder单张图片或图片文件夹路径必填位置参数无另外从源码可以确认几个行为细节infer_simple.py会把cfg.NUM_GPUS强制设为 1、拒绝 RPN-only 模型与需要预计算提议precomputed proposals的模型并对第一张图片输出提示——因为 cudnn 等缓存与自动调优需要预热首张图片的推理会明显慢于后续图片对应 FAQ.md 中单图推理偏慢的解答。性能提示针对高分辨率图片Mask R-CNN 对高分辨率图片推理较慢主要耗时在把预测 mask 上采样回原图分辨率该步骤未优化。可通过tools/infer_simple.py输出的misc_mask时间诊断——若该时间明显超过 20-90ms则建议先把图片短边缩放到约 600-800px 再推理。demo 图片的版权信息见 demo/NOTICE。方式二在 COCO 数据集上评测以下命令用 Model Zoo 的端到端 Mask R-CNN 模型、单 GPU 在coco_2014_minival需已正确安装上运行推理python tools/test_net.py \ --cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \ TEST.WEIGHTS https://dl.fbaipublicfiles.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \ NUM_GPUS 1用$N块 GPU 做多卡并行推理例如 N8python tools/test_net.py \ --cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \ --multi-gpu-testing \ TEST.WEIGHTS https://dl.fbaipublicfiles.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \ NUM_GPUS $N官方在 NVIDIA Tesla P100 上测得该示例推理约130-140 ms/图。注意这里通过KEY.VALUE形式直接在命令行覆盖配置项对应train_net.py/test_net.py中merge_cfg_from_list的机制NUM_GPUS会决定使用的 GPU 数量。训练模型从单卡到多卡单 GPU 训练入门示例GETTING_STARTED 提供了一个教学性训练示例端到端 Faster R-CNNResNet-50-FPN 骨干使用较短训练计划与较小输入尺寸因此训练与推理都较快代价是 COCO box AP 低于正式基线仅供教学不用于论文对比python tools/train_net.py \ --cfg configs/getting_started/tutorial_1gpu_e2e_faster_rcnn_R-50-FPN.yaml \ OUTPUT_DIR /tmp/detectron-output官方给出的预期结果以 Maxwell 架构 GPU如 M40 为参考模型、验证集检测结果等输出保存在/tmp/detectron-output训练约 4.2 小时推理约 80ms/图coco_2014_minival上的 box AP 约 22.1%3 次运行标准差 ±0.1%多 GPU 训练与线性缩放规则仓库提供了 2/4/8 GPU 的等价教学配置configs/getting_started/tutorial_{2,4,8}gpu_e2e_faster_rcnn_R-50-FPN.yaml。2 GPU 示例python tools/train_net.py \ --multi-gpu-testing \ --cfg configs/getting_started/tutorial_2gpu_e2e_faster_rcnn_R-50-FPN.yaml \ OUTPUT_DIR /tmp/detectron-output--multi-gpu-testing指示训练结束后用配置中的NUM_GPUS块 GPU 并行推理。官方预期训练约 2.3 小时2 x M40推理仍约 80ms/图但 2 卡并行总耗时减半box AP 同样约 22.1%。核心原理线性缩放规则。阅读教程配置文件可以直观理解不同 GPU 数下学习计划的等价换算。以 configs/getting_started/tutorial_1gpu_e2e_faster_rcnn_R-50-FPN.yaml 为例其注释给出了完整换算表GPU 数BASE_LRMAX_ITERSTEPS10.002560000[0, 30000, 40000]20.00530000[0, 15000, 20000]40.0115000[0, 7500, 10000]80.027500[0, 3750, 5000]即GPU 数翻倍minibatch 翻倍基础学习率按相同倍数放大、迭代数减半、学习率下降点按比例前移。这一规则出自论文《Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour》。除教程外仓库发布的全部正式配置都默认 8 GPU 训练若你用少于 8 卡或其他任何改变 minibatch 大小的方式必须按线性缩放规则调整训练计划。扩展说明该教学示例使用的模型 GPU 计算量较小Caffe2 Python 算子的开销占比高因此 2 卡到 8 卡的扩展效率一般8 卡约 0.9 小时只有 1 卡的 4.5 倍改用计算密集的大模型后扩展性会更好。train_net.py 的命令行参数从 tools/train_net.py 源码可以看到--cfg训练及可选测试用的配置文件--multi-gpu-testing用cfg.NUM_GPUS块 GPU 做推理--skip-test跳过最终模型测试opts任意数量的KEY.VALUE命令行覆盖项如OUTPUT_DIR /tmp/detectron-output、NUM_GPUS 1机制是merge_cfg_from_list合并到全局配置训练主流程main()依次执行初始化 Caffe2 workspace → 加载配置文件 命令行覆盖→assert_and_infer_cfg校验并推导配置 → 打印 nvidia-smi/CUDA/cuDNN 信息 → 设置随机种子 →train_model()训练 → 测试最终模型。注意即便设置了 numpy 随机种子训练整体仍非确定性部分 cudnn 函数不可控。读懂 Detectron 配置文件教学配置逐项解析以 configs/getting_started/tutorial_1gpu_e2e_faster_rcnn_R-50-FPN.yaml 为例MODEL: TYPE: generalized_rcnn # 模型类型通用两阶段检测器 CONV_BODY: FPN.add_fpn_ResNet50_conv5_body # 骨干网络构建函数 NUM_CLASSES: 81 # COCO 80 类 背景 FASTER_RCNN: True NUM_GPUS: 1 SOLVER: WEIGHT_DECAY: 0.0001 LR_POLICY: steps_with_decay # 分段衰减学习率策略 BASE_LR: 0.0025 GAMMA: 0.1 # 每次衰减乘 0.1 MAX_ITER: 60000 STEPS: [0, 30000, 40000] # 0 为预热起点之后在 30k/40k 迭代衰减 FPN: FPN_ON: True MULTILEVEL_ROIS: True # 多层级 RoI 池化 MULTILEVEL_RPN: True # 多层级 RPN FAST_RCNN: ROI_BOX_HEAD: fast_rcnn_heads.add_roi_2mlp_head # 2 个 MLP 全连接层的 box 头 ROI_XFORM_METHOD: RoIAlign ROI_XFORM_RESOLUTION: 7 # RoI 池化输出分辨率 ROI_XFORM_SAMPLING_RATIO: 2 # RoIAlign 采样率 TRAIN: WEIGHTS: https://dl.fbaipublicfiles.com/detectron/ImageNetPretrained/MSRA/R-50.pkl # 预训练权重 DATASETS: (coco_2014_train,) SCALES: (500,) # 训练尺度短边 500px MAX_SIZE: 833 # 长边上限 BATCH_SIZE_PER_IM: 256 # 每图 RoI 采样数 RPN_PRE_NMS_TOP_N: 2000 # NMS 前每个 FPN 层保留的候选数 TEST: DATASETS: (coco_2014_minival,) SCALE: 500 MAX_SIZE: 833 NMS: 0.5 # 检测结果 NMS 阈值 RPN_PRE_NMS_TOP_N: 1000 RPN_POST_NMS_TOP_N: 1000 OUTPUT_DIR: .所有配置项的完整定义与默认值见 detectron/core/config.py命令行覆盖项opts也以该文件为准。正式基线配置要点正式基线如 configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml与教学配置的差异值得对比NUM_GPUS: 8BASE_LR: 0.02MAX_ITER: 180000STEPS: [0, 120000, 160000]即文档所称 2x 计划180k 迭代增加MASK_ON: True与MRCNN:段mask 头为mask_rcnn_heads.mask_rcnn_fcn_head_v1up4convs输出分辨率 28、RoI 输入分辨率 14、DILATION 1、CONV_INIT MSRAFill注释标出与默认值的差异TRAIN.SCALES: (800,)、MAX_SIZE: 1333训练集为coco_2014_train与coco_2014_valminusminival的并集TRAIN.WEIGHTS指向 MSRA 的 R-101 预训练权重ImageNetModel Zoo12_2017_baselines 基线与可下载模型仓库提供了大量基线结果与预训练模型详见 MODEL_ZOO.md官方统称为12_2017_baselines2017 年 12 月左右训练所有配置位于 configs/12_2017_baselines/。统一实验设置硬件8 块 NVIDIA Tesla P10016GB 显存CUDA 8.0cuDNN 6.0.21的 Big Basin 服务器训练8 GPU 数据并行同步 SGDminibatch 为 8 或 16 张图见各表im/gpu列数据增强训练仅用水平翻转推理不使用任何测试时增强多尺度、翻转等数据划分全部模型在coco_2014_train∪coco_2014_valminusminival上训练等价于 2017 定义的coco_2017_train在coco_2014_minival上测试等价于coco_2017_val推理时间用 X Y 表示X 为优化较好的 GPU 代码耗时Y 为未优化的 CPU 代码耗时后者可通过工程优化大幅压缩结果boxes/masks/kps均为 COCO json 格式任意下载 URL 后追加.md5sum可获取 md5 校验值训练计划定义1xminibatch 16 时初始 LR 0.0260k 与 80k 迭代各衰减一次乘 0.190k 迭代结束对应 118,287 张训练图上的 12.17 个 epoch2x1x 的两倍时长LR 变化点按比例平移s1xstretched 1x把 1x 大约拉伸 1.44 倍同时延长首个学习率阶段minibatch 16 时在 100k 与 120k 迭代衰减130k 迭代结束所有计划都包含 500 迭代的线性学习率预热。minibatch 在 8 与 16 之间切换时按线性缩放规则调整迭代数与基础学习率。基线族系Model Zoo 依次给出RPN 提议基线单阶段 RPN指标为 1000 proposals/图的提议平均召回prop. AR推理时间仅含提议生成使用预计算 RPN 提议的 Fast Mask R-CNN 基线每行复用同骨干的 RPN 提议推理时间不含提议生成端到端 Faster Mask R-CNN 基线RPN 与检测器联合训练推理时间为从图像到检测的完整耗时含提议生成RetinaNet 基线单阶段密集检测器Mask R-CNN with Bells WhistlesResNeXt-152-32x8d-FPNImageNet-5k 预训练骨干训练用多尺度抖动 {640, 672, 704, 736, 768, 800}测试时多尺度 {400, 500, 600, 700, 900, 1000, 1100, 1200} 加水平翻转第二行给出同一模型无测试时增强的结果45.2/39.7 box/mask AP vs 增强版 48.1/41.5关键点检测基线训练启用多尺度抖动、只用含有效关键点标注的人像图、指标仅针对 person 类含 Person-Specific RPN、基于预计算提议的 Keypoint-Only Mask R-CNN、端到端 Keypoint-Only Mask R-CNN 三个子类例如端到端 Mask R-CNN R-101-FPN 2xmodel id 35861858即 GETTING_STARTED 推理示例所用模型在coco_2014_minival上的 box/mask AP 为 40.9/36.4推理 0.1260.017 s/图每行均提供 model.pkl 与 boxes/masks/kps 结果 json 的下载链接。下载模型的许可为 CC-BY-SA 3.0。另有 ImageNet 预训练骨干模型R-50/R-101/X-101-64x4d/X-101-32x8d/X-152-32x8d-IN5k与训练/推理日志包可供下载。附录常见问题FAQ要点FAQ.md 收录了以下高频问题与官方解答训练中如何计算验证 APDetectron 训练时不算验证统计会拖慢训练官方用validation monitor进程轮询新 checkpoint 并异步调度tools/test_net.py推理但该组件未开源依赖内部集群。如何限制只用服务器上部分 GPU不改代码直接用CUDA_VISIBLE_DEVICES环境变量。单图推理为何比报告值慢很多各类算法与缓存如 cudnn需要预热处理几张图后才达峰值此外高分辨率 Mask R-CNN 推理慢可归因于 mask 上采样诊断misc_mask建议缩图到短边 600-800px。如何实现自定义 Caffe2 CPU/GPU 算子参考 detectron/ops/ 下的玩具示例zero_even_op与 detectron/tests/test_zero_even_op.py并阅读 Caffe2 自定义算子文档。如何在自定义数据集上训练强烈建议先把标注转为 COCO API json 格式再把数据集加入 detectron/datasets/dataset_catalog.py 的 dataset catalog无法转换则需要更大幅度的代码改动。相关研究论文ReferencesDetectron 支撑的算法与骨干对应的代表性论文完整 BibTeX 与出处见 README.md 与 GETTING_STARTED.md 中的引用信息Data Distillation: Towards Omni-Supervised LearningRadosavovic 等2017Learning to Segment Every ThingHu 等2017Non-Local Neural NetworksWang 等2017Mask R-CNNHe 等ICCV 2017Focal Loss for Dense Object DetectionLin 等ICCV 2017Accurate, Large Minibatch SGD: Training ImageNet in 1 HourGoyal 等2017Detecting and Recognizing Human-Object InteractionsGkioxari 等2017Feature Pyramid Networks for Object DetectionLin 等CVPR 2017Aggregated Residual Transformations for Deep Neural Networks / ResNeXtXie 等CVPR 2017R-FCNDai 等NIPS 2016Deep Residual Learning for Image Recognition / ResNetHe 等CVPR 2016Faster R-CNNRen 等NIPS 2015Fast R-CNNGirshickICCV 2015Group NormalizationWu 与 He2018见 projects/GN/README.md引用 DetectronBibTeX若研究中使用了 Detectron 或引用其 Model Zoo 基线结果官方建议使用如下 BibTeXmisc{Detectron2018, author {Ross Girshick and Ilija Radosavovic and Georgia Gkioxari and Piotr Doll\{a}r and Kaiming He}, title {Detectron}, howpublished {\url{https://github.com/facebookresearch/detectron}}, year {2018} }许可证与帮助渠道Detectron 以Apache 2.0 许可证发布附加细节见 NOTICE。遇到问题先查 INSTALL.md 的 troubleshooting 章节与 FAQ.md再搜索官方 GitHub issues社区共同排查问题的论坛提交 bug 修复欢迎以 Pull Request 形式贡献包括往 FAQ.md 补充 QA、改进安装与排查文档贡献规范见 CONTRIBUTING.md。赞分享计算机视觉深度学习【免费下载链接】DetectronFAIRs research platform for object detection research, implementing popular algorithms like Mask R-CNN and RetinaNet.项目地址https://gitcode.com/gh_mirrors/de/Detectron点击查看免费下载相关推荐Detectron2 平台全解析FAIR 下一代目标检测与分割框架的安装、推理、训练与模型仓库Detectron2 平台全解析FAIR 下一代目标检测与分割框架的安装、推理、训练与模型仓库 Detectron2 是 Facebook AI Resear人工智能计算机视觉深度学习机器学习TorchVision SSDLite 目标检测实战指南SSDLite320-MobileNetV3-Large 架构解析、权重体系与训练推理全流程TorchVision SSDLite 目标检测实战指南SSDLite320 MobileNetV3 Large 架构解析、权重体系与训练推理全流程 SSDL计算机视觉深度学习图像处理数据集YOLOv8 实时目标检测模型全解析架构特性、模型变体与训练推理实战YOLOv8 实时目标检测模型全解析架构特性、模型变体与训练推理实战 YOLOv8 是 YOLO 实时目标检测系列的最新迭代版本以精度与速度的最优平衡为人工智能深度学习计算机视觉上一篇深度拆解Photo-SLAM架构ORB-SLAM3与高斯模型的创新融合下一篇免费VR视频转换终极指南5分钟掌握3D转2D的完整方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考