GitHub趋势榜第一:超强PyTorch目标检测库Detectron2,5天3100星

新闻 前端
PyTorch目标检测库Detectron2诞生了,Facebook出品。开源5天,已在GitHub收获3100星,还成了趋势榜第一。

本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。

GitHub趋势榜<span><span><span><i style=第一:超强PyTorch目标检测库Detectron2,5天3100星">

PyTorch目标检测库Detectron2诞生了,Facebook出品。

GitHub趋势榜<span><span><span><i style=第一:超强PyTorch目标检测库Detectron2,5天3100星" style="text-align: center;">

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:

GitHub趋势榜<span><span><span><i style=第一:超强PyTorch目标检测库Detectron2,5天3100星">

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

GitHub趋势榜<span><span><span><i style=第一:超强PyTorch目标检测库Detectron2,5天3100星">

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。

GitHub趋势榜<span><span><span><i style=第一:超强PyTorch目标检测库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,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 (synchronous Batch Norm) ,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。

GitHub趋势榜<span><span><span><i style=第一:超强PyTorch目标检测库Detectron2,5天3100星">

在这基础之上,二代又增加了新任务:

语义分割和全景分割 (Panoptic Segmentation) ,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 (Average Throughput) 作为指标。这样就跳过了GPU预热时间。结果如下:

GitHub趋势榜<span><span><span><i style=第一:超强PyTorch目标检测库Detectron2,5天3100星">

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 (为了给云端和移动端部署,选择各自最优的格式) 。

 

责任编辑:张燕妮 来源: 量子位
相关推荐

2021-03-08 10:15:39

开发技能代码

2020-02-10 14:29:46

GitHub新冠受肺炎项目

2018-01-23 16:16:03

开源技术 Facebook

2019-03-19 10:41:50

GitHub代码开发者

2023-12-31 16:35:31

Pytorch函数深度学习

2019-02-19 10:23:53

GitHub 技术性能

2020-07-15 15:21:06

谷歌开源机器学习

2019-07-05 15:42:58

GitHub代码开发者

2020-11-03 13:38:28

开源技术 趋势

2020-08-21 13:55:56

微软开源PyTorch

2021-01-18 18:15:00

GitHub 技术开发

2019-03-15 11:34:19

神经网络数据图形

2023-10-13 18:21:38

FasterRetinaNet密集

2020-07-07 16:58:21

开源技术 工具

2023-11-09 23:45:01

Pytorch目标检测

2020-09-02 17:04:59

谷歌Android开发者

2019-08-20 15:22:40

GitHub代码开发者

2019-08-13 09:35:13

人工智能人脸识别技术

2023-10-10 07:19:07

Github开源库系统

2021-12-14 15:54:01

AI 数据人工智能
点赞
收藏

51CTO技术栈公众号