Detectron2是Facebook開源的深度學習的目標檢測（Object Detection）框架，支持深度學習中常見的目標檢測、實例分割、姿態估計等任務。

• GitHub：https://github.com/facebookresearch/detectron2

---

安裝Detectron2

參考

支持從源碼構建再安裝或者直接從pip安裝，推薦直接從pip安裝，比較便捷，限制較少。

• 注意：如果從源碼安裝，需要GCC支持5.0+，部分服務器可能不支持。

pip支持的CUDA+torch版本，如下：

檢查服務器的CUDA版本：nvidia-smi，當前版本是10.2，如下：

檢查服務器的torch版本：pip3 show torch，當前版本是1.7.0，如下：

檢查服務器的Python版本：python3 -version，當前版本是3.7.5rc1，如下：

因此，選擇CUDA 10.2 + torch 1.7版本，推薦按照命令如下：

python -m pip install detectron2 -f \https://dl.fbaipublicfiles.com/detectron2/wheels/cu102/torch1.7/index.html

建議直接到index.html頁面，下載相應的包文件：

下載whl文件：

wget https://dl.fbaipublicfiles.com/detectron2/wheels/cu102/torch1.7/detectron2-0.5+cu102-cp37-cp37m-linux_x86_64.whl

安裝whl文件：

pip3 install --user detectron2-0.5+cu102-cp37-cp37m-linux_x86_64.whl

---

測試工程

以實例分割算法-PointRend為例，使用的數據集是COCO。由于COCO數據集較大，我們選擇Tiny-COCO，僅包含16張圖像的微型數據集。

準備數據集：

在PointRend目錄下，構建datasets/coco/，annotations中是標注文件，train2017中是樣本圖像，即：

• annotations/instances_train2017.json
• train2017/…

執行：

python3 train_net.py --config-file configs/InstanceSegmentation/pointrend_rcnn_R_50_FPN_1x_coco.yaml --num-gpus 1

即可訓練

關于模型存儲，存儲位置由OUTPUT_DIR參數控制，存儲間隔由SOLVER.CHECKPOINT_PERIOD控制

• OUTPUT_DIR: ./output
• CHECKPOINT_PERIOD: 5000

在pointrend_rcnn_R_50_FPN_1x_coco.yaml文件中，修改參數即可，如：

SOLVER:CHECKPOINT_PERIOD: 2

參考：

• Does the model save automatically during training, if no where to add that?

---

總結

以上是生活随笔為你收集整理的Detectron2的使用指南的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。