移动的Detectron2来了FB官方-量子比特

你一定听说过Detectron2这个词

基于PyTorch的模块化目标检测库Detectron2在当年开放后成为趋势第一。

现在，我们受益于移动开发者

FacebookDetectron2的移动版Detectron2Go（D2Go）发售了。

D2Go是什么

我先看一下官方的说明。

PyTorch和Detectron2支持的深度学习工具包最先进的高效移动设备骨干网络支持端到端的模型培训，以便轻松导出TorchScript格式。

通过D2Go，开发人员可以为移动设备创建优化的FBNet模型，在移动中有效地执行目标检测、语义划分、关键点估计等。

▲D2Go人体积分估计

那么，D2Go具体有哪些好处呐。

事实上，移动端的目标检测任务主要集中在延迟和准确性两方面。

如果模型在边缘设备上独立运行，则可以大幅减少延迟，而无需将数据传输到云上进行处理。

它还确保了最终用户的数据和隐私。

测试表明，使用D2Go开发的移动模型比基于服务器的模型具有更少的延迟，更少的准确性损失。

怎么用

首先是安装的部分。需要安装。

PyTorch Nightly

conda install pytorch torchvision cudatoolkit=10.2-c pytorch-nightly

Detectron2

python-m pip install#8216；git+https：//GitHub。com/Facebookresearch/ detectron2.it #8217;

mobile_是cv

python-m pip install#8216；https：//GitHub。com/Facebook调查/mobile-visi.it#8217；

D2go

https：//GitHub。com/Facebook调查/d2gocd2go amp；python-m pip install。

D2go的“GitHub”存储库还提供了预训练模型的推理演示。

模型_从zoo中选择一个模型，运行demo.py，就可以玩了。

faster_ rnc _以fbnetv3a模型为例。

cd demo/python demo.py—config-file faster_ rnc _fabnetv3a_ 4.yaml-input input1.jpg-output output1.jpg。

对于培训和评估，D2Go本身是在detectron2工具包中实现的，因此在培训前必须按照detectron2的说明设置内置数据集。

具体如何用预练模型推理，训练一个D2go模型，将模型导出到int8，Facebook也提供详细的入门例子。

详细情况请点击文末的链接怎么样。

是传送门

开源：https：//GitHub。com/Facebookresearch/d2go

Facebook博客：https：//ai.Facebook。com/blog/d2go-brings-detectron2-to-mobile/。

-完成-