Detectron 是 FAIR 用于实现最先进的目标检测算法（包括 Mask R-CNN）的软件系统。

该系统是在Apache 2.0许可下提供的Python库，并建立在由Facebook支持的深度学习框架“Caffe2”上。

自2018年发布以来，Detectron对象检测平台已经成为Facebook人工智能研究(FAIR)广泛采用的开源项目之一。

为了继续推进该项目，Facebook推出可Detectron2，Detectron2在研究和生产使用上都有了重要的改进。

以下是Detectron2的新特性：

PyTorch：最初的Detectron在Caffe2中实现。PyTorch提供了一个更直观的命令式编程模型，它允许研究人员和从业人员可以更快地迭代模型设计和实验。

用户现在可以受益于PyTorch的深度学习方法，以及不断改进PyTorch模块化、可扩展设计的大型活跃社区：在Detectron2中引入了模块化设计，用户可以将自定义模块的实现插入对象检测系统的任何部分。

这意味着许多新的研究项目可以用数百行代码编写，而核心Detectron2库和新颖的研究实现之间可以完全分离。

通过实现新模型并发现新方法，不断完善模块化和可扩展的设计，使得Detectron2更加灵活。其模块化特性也使其能够有效帮助研究人员探索最先进的算法设计。

该图显示了Detectron2的模块化设计如何使用户能够拍摄图像并轻松切换到自定义主干，插入不同的预测头以及执行全景分割

新模型和新功能：Detectron2包括原始Detectron中的所有模型，例如Faster R-CNN，Mask R-CNN，RetinaNet和DensePose。

Detectron2还包括几个新模型，有Cascade R-CNN，Panoptic FPN和TensorMask，未来将继续添加更多算法。Detectron2还添加了一些特性，比如同步批处理规范和对LVIS等新数据集的支持。

新任务：Detectron2支持与对象检测有关的一系列任务。像原始的Detectron一样，它支持边界框和实例分割掩码的对象检测，以及人体姿态预测。

此外，Detectron2还增加了对语义分割和全景分割的支持，这是一项结合了语义和实例分割的任务。

高实现质量：重写Detectron2能够重新审视底层的设计决策，并解决原来Detectron的几个实现问题。

速度和可扩展性：通过将整个训练pipeline移至GPU，能够使Detectron2比原来的Detectron更快，适用于各种标准型号。

此外，现在可以将训练分布到多个GPU服务器，从而可以轻松地将训练扩展到非常大的数据集。

Detectron2go：新增了将模型产品化部署的软件实现，包括标准的内部数据训练工作流实现、模型压缩量化、模型转化等。

开发人员希望通过Detectron2的开源，使研究人员和产品开发人员都能从中受益。