一键体验Detectron2框架中的所有预训练模型

原创 已于 2024-08-01 19:01:12 修改 · 2.7k 阅读 · 34 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习

于 2024-08-01 11:44:36 首次发布

Detectron2是由Facebook AI Research (FAIR)推出的基于PyTorch的模块化物体检测库，发布于2019年10月10日。该平台原是2018年推出的Detectron的第二代版本，它完全重写于maskrcnn-benchmark，并采用了PyTorch语言实现。与原版相比，Detectron2具有更灵活和可扩展的设计，可以在单个或多个GPU服务器上快速训练。

主要特点：

  1. 实现新颖：

    • Detectron2是从头重新设计的，它采用了PyTorch而不是原来的Caffe2。这种转变使得编程模型更加直观，提高了模型设计和实验的迭代速度。
    • PyTorch的大型社区和不断改进也为Detectron2用户提供了巨大利益。

  2. 模块化和可扩展性：

    • Detectron2采用模块化设计，允许用户在几乎任何部分插入自定义模块，使新研究项目可以在数百行代码内实现，并且清晰地与核心库分离。
    • 这种设计实现了模型和功能的快速集成与扩展，例如高级姿态检测模型的快速设计和训练。

  3. 新功能和模型：

    • Detectron2整合了DensePose、Panoptic FPN等最新算法，并支持新的数据集如LVIS。
    • 它支持各种任务，包括对象检测、实例分割、语义分割和全景分割。

  4. 实现质量：

    • 通过重新设计，解决了原版Detectron中的一些实现问题，大大提高了整体性能。
    • 整个训练管道已迁移至GPU，提升了训练速度且易于拓展至多GPU服务器，便于处理大规模数据集。

  5. Detectron2go：

    • Detectron2go是一个附加的软件层，旨在简化模型的生产部署，包括标准训练工作流程、网络量化和模型转换等。

预训练模型

下面的表格列出了detectron2/configs源码目录下的模型及其简要的中文描述。

分类 Model Config File Path(–model-name 参数) 简要描述
Base Models Base-RCNN-C4.yaml 基于C4的基础RCNN模型
Base-RCNN-DilatedC5.yaml 基于扩张卷积C5的基础RCNN模型
Base-RCNN-FPN.yaml 基于FPN的基础RCNN模型
Base-RetinaNet.yaml 基础的RetinaNet模型
COCO目标检测 COCO-Detection/fast_rcnn_R_50_FPN_1x.yaml 采用FPN的ResNet-50的Fast R-CNN模型，1倍学习速率
COCO-Detection/faster_rcnn_R_101_C4_3x.yaml 采用C4的ResNet-101的Faster R-CNN模型，3倍学习速率
COCO-Detection/faster_rcnn_R_101_DC5_3x.yaml 采用DC5的ResNet-101的Faster R-CNN模型，3倍学习速率
COCO-Detection/faster_rcnn_R_101_FPN_3x.yaml 采用FPN的ResNet-101的Faster R-CNN模型，3倍学习速率
COCO-Detection/faster_rcnn_R_50_C4_1x.yaml 采用C4的ResNet-50的Faster R-CNN模型，1倍学习速率
COCO-Detection/faster_rcnn_R_50_C4_3x.yaml 采用C4的ResNet-50的Faster R-CNN模型，3倍学习速率
COCO-Detection/faster_rcnn_R_50_DC5_1x.yaml 采用DC5的ResNet-50的Faster R-CNN模型，1倍学习速率
COCO-Detection/faster_rcnn_R_50_DC5_3x.yaml 采用DC5的ResNet-50的Faster R-CNN模型，3倍学习速率
COCO-Detection/faster_rcnn_R_50_FPN_1x.yaml 采用FPN的ResNet-50的Faster R-CNN模型，1倍学习速率
COCO-Detection/faster_rcnn_R_50_FPN_3x.yaml 采用FPN的ResNet-50的Faster R-CNN模型，3倍学习速率
COCO-Detection/faster_rcnn_X_101_32x8d_FPN_3x.yaml 采用FPN的ResNeXt-101的Faster R-CNN模型，3倍学习速率
COCO-Detection/fcos_R_50_FPN_1x.py 采用FPN的ResNet-50的FCOS模型，1倍学习速率
COCO-Detection/retinanet_R_101_FPN_3x.yaml 采用FPN的ResNet-101的RetinaNet模型，3倍学习速率
COCO-Detection/retinanet_R_50_FPN_1x.py 采用FPN的ResNet-50的RetinaNet模型，1倍学习速率
COCO-Detection/retinanet_R_50_FPN_1x.yaml 采用FPN的ResNet-50的RetinaNet模型，1倍学习速率
COCO-Detection/retinanet_R_50_FPN_3x.yaml 采用FPN的ResNet-50的RetinaNet模型，3倍学习速率
COCO-Detection/rpn_R_50_C4_1x.yaml 采用C4的ResNet-50的RPN模型，1倍学习速率
COCO-Detection/rpn_R_50_FPN_1x.yaml 采用FPN的ResNet-50的RPN模型，1倍学习速率
COCO实例分割 COCO-InstanceSegmentation/mask_rcnn_R_101_C4_3x.yaml 采用C4的ResNet-101的Mask R-CNN模型，3倍学习速率
COCO-InstanceSegmentation/mask_rcnn_R_101_DC5_3x.yaml 采用DC5的ResNet-101的Mask R-CNN模型，3倍学习速率
COCO-InstanceSegmentation/mask_rcnn_R_101_FPN_3x.yaml 采用FPN的ResNet-101的Mask R-CNN模型，3倍学习速率
COCO-InstanceSegmentation/mask_rcnn_R_50_C4_1x.py 采用C4的ResNet-50的Mask R-CNN模型，1倍学习速率
COCO-InstanceSegmentation/mask_rcnn_R_50_C4_1x.yaml 采用C4的ResNet-50的Mask R-CNN模型，1倍学习速率
COCO-InstanceSegmentation/mask_rcnn_R_50_C4_3x.yaml 采用C4的ResNet-50的Mask R-CNN模型，3倍学习速率
COCO-InstanceSegmentation/mask_rcnn_R_50_DC5_1x.yaml 采用DC5的ResNet-50的Mask R-CNN模型，1倍学习速率
COCO-InstanceSegmentation/mask_rcnn_R_50_DC5_3x.yaml 采用DC5的ResNet-50的Mask R-CNN模型，3倍学习速率
COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.py 采用FPN的ResNet-50的Mask R-CNN模型，1倍学习速率
COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml 采用FPN的ResNet-50的Mask R-CNN模型，1倍学习速率
COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x_giou.yaml 采用FPN的ResNet-50的Mask R-CNN模型，1倍学习速率，使用GIoU
COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml 采用FPN的ResNet-50的Mask R-CNN模型，3倍学习速率
COCO-InstanceSegmentation/mask_rcnn_X_101_32x8d_FPN_3x.yaml 采用FPN的ResNeXt-101的Mask R-CNN模型，3倍学习速率
COCO-InstanceSegmentation/mask_rcnn_regnetx_4gf_dds_fpn_1x.py 采用RegNetX-4GF的Mask R-CNN模型，1倍学习速率
COCO-InstanceSegmentation/mask_rcnn_regnety_4gf_dds_fpn_1x.py 采用RegNetY-4GF的Mask R-CNN模型，1倍学习速率
COCO关键点检测 COCO-Keypoints/keypoint_rcnn_R_101_FPN_3x.yaml 采用FPN的ResNet-101的关键点检测RCNN模型，3倍学习速率
COCO-Keypoints/keypoint_rcnn_R_50_FPN_1x.py 采用FPN的ResNet-50的关键点检测RCNN模型，1倍学习速率
COCO-Keypoints/keypoint_rcnn_R_50_FPN_1x.yaml 采用FPN的ResNet-50的关键点检测RCNN模型，1倍学习速率
COCO-Keypoints/keypoint_rcnn_R_50_FPN_3x.yaml 采用FPN的ResNet-50的关键点检测RCNN模型，3倍学习速率
COCO-Keypoints/keypoint_rcnn_X_101_32x8d_FPN_3x.yaml 采用FPN的ResNeXt-101的关键点检测RCNN模型，3倍学习速率
COCO全景分割 COCO-PanopticSegmentation/panoptic_fpn_R_101_3x.yaml 采用FPN的ResNet-101的全景分割模型，3倍学习速率
COCO-PanopticSegmentation/panoptic_fpn_R_50_1x.py 采用FPN的ResNet-50的全景分割模型，1倍学习速率
COCO-PanopticSegmentation/panoptic_fpn_R_50_1x.yaml 采用FPN的ResNet-50的全景分割模型，1倍学习速率
COCO-PanopticSegmentation/panoptic_fpn_R_50_3x.yaml 采用FPN的ResNet-50的全景分割模型，3倍学习速率
Cityscapes Cityscapes/mask_rcnn_R_50_FPN.yaml 采用FPN的ResNet-50的Cityscapes实例分割模型
Detectron1比较 Detectron1-Comparisons/faster_rcnn_R_50_FPN_noaug_1x.yaml 采用FPN的ResNet-50的Faster R-CNN模型，无数据增强，1倍学习速率
Detectron1-Comparisons/keypoint_rcnn_R_50_FPN_1x.yaml 采用FPN的ResNet-50的关键点检测RCNN模型，1倍学习速率
Detectron1-Comparisons/mask_rcnn_R_50_FPN_noaug_1x.yaml 采用FPN的ResNet-50的Mask R-CNN模型，无数据增强，1倍学习速率
LVIS v0.5实例分割 LVISv0.5-InstanceSegmentation/mask_rcnn_R_101_FPN_1x.yaml 采用FPN的ResNet-101的Mask R-CNN模型，1倍学习速率，适用于LVIS v0.5
LVISv0.5-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml 采用FPN的ResNet-50的Mask R-CNN模型，1倍学习速率，适用于LVIS v0.5
LVISv0.5-InstanceSegmentation/mask_rcnn_X_101_32x8d_FPN_1x.yaml 采用FPN的ResNeXt-101的Mask R-CNN模型，1倍学习速率，适用于LVIS v0.5
LVIS v1实例分割 LVISv1-InstanceSegmentation/mask_rcnn_R_101_FPN_1x.yaml 采用FPN的ResNet-101的Mask R-CNN模型，1倍学习速率，适用于LVIS v1
LVISv1-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml 采用FPN的ResNet-50的Mask R-CNN模型，1倍学习速率，适用于LVIS v1
LVISv1-InstanceSegmentation/mask_rcnn_X_101_32x8d_FPN_1x.yaml 采用FPN的ResNeXt-101的Mask R-CNN模型，1倍学习速率，适用于LVIS v1
杂项 Misc/cascade_mask_rcnn_R_50_FPN_1x.yaml 基于FPN的ResNet-50的级联Mask R-CNN模型，1倍学习速率
Misc/cascade_mask_rcnn_R_50_FPN_3x.yaml 基于FPN的ResNet-50的级联Mask R-CNN模型，3倍学习速率
Misc/cascade_mask_rcnn_X_152_32x8d_FPN_IN5k_gn_dconv.yaml 基于FPN的ResNeXt-152的级联Mask R-CNN模型，使用组归一化和扩张卷积
Misc/mask_rcnn_R_50_FPN_1x_cls_agnostic.yaml 基于FPN的ResNet-50的类别无关的Mask R-CNN模型，1倍学习速率
Misc/mask_rcnn_R_50_FPN_1x_dconv_c3-c5.yaml 基于FPN的ResNet-50的带有扩张卷积的Mask R-CNN模型，1倍学习速率
Misc/mask_rcnn_R_50_FPN_3x_dconv_c3-c5.yaml
最低0.47元/天 解锁文章
基于深度学习的安全帽检测方法研究
一键难忘的博客
10-13 2578
随着人工智能的快速发展，安全问题日益受到关注。在工业生产、建筑工地和其他危险环境中，安全帽的佩戴是预防头部伤害的重要措施。本文研究了基于深度学习的安全帽检测方法，通过分析图像数据中的头部和安全帽，实现了自动化安全帽检测和预警系统。1.随着工业自动化的推进和对员工安全的重视，安全帽的佩戴已成为工业生产环境中的常见要求。传统的安全帽检测方法往往需要人工参与，效率低下且容易出错。基于深度学习的安全帽检测方法通过利用神经网络的强大学习能力，可以高效准确地检测安全帽的佩戴情况。
Detectron2 使用模型 | 六
TensorFlowNews
05-19 2643
作者|facebookresearch 编译|Flin 来源|Github 使用模型 detectron2中的模型(及其子模型)由函数,例如build_model,build_backbone,build_roi_heads构成： from detectron2.modeling import build_model model = build_model(cfg) #返回torch.nn.Module 注意,build_model仅构建模型结构,并用随机参数填充它。要将现有检查点加载到模型,请使用 De
机器视觉库之detectron2安装及使用详解
yohnyang的博客
12-20 7097
机器视觉库之detectron2安装及使用详解
在自定义数据集上训练现有的Detectron2模型
fydw_715的博客
08-03 1406
本文介绍了如何使用气球分割数据集（仅包含一个类别：气球）进行模型微调，并详细描述了数据处理、模型训练、推理和评估的流程。训练过程基于预训练的 COCO 模型，这些模型可以在 Detectron2 的模型库中获取。 步骤包括： 自定义数据集的数据处理和可视化。 使用自定义数据集训练模型。 在验证集上进行推理并可视化结果。 评估模型在验证集上的性能，并计算平均精度（AP）。 使用微调后的模型对新图像进行推理并可视化结果。 文章还提供了相关的 Python 脚本，包括数据集注册和可视化、模型训练、验证集推理和
Detectron2库
最新发布
2401_86224075的博客
10-28 1370
Detectron2是Facebook AI Research开发的基于PyTorch的计算机视觉库，支持目标检测、实例分割等任务。本文介绍了其核心功能、安装步骤和使用方法，包括数据准备、模型配置、训练和推理流程。Detectron2提供丰富的预训练模型和灵活的配置方式，支持分布式训练和自定义扩展，适用于学术研究和工业实践。
Detectron2系列之模型训练
深度学习与计算机视觉
06-19 2494
从前面的教程中,你现在已经有了一个自定义的模型和数据加载器。你可以自由创建自己的优化器,并编写训练逻辑：可以使用PyTorch使研究人员对整个训练逻辑更清晰并具有完全控制权。tools/...
detectron2安装使用与踩坑记录
htzckk的博客
12-06 3051
detectron2安装使用与踩坑记录,detectron2是Facebook开源的一个视觉检测相关的库，建立在Detectron和maskrcnn-benchmark基础之上，可以进行目标检测、语义分割、全景分割，以及人体体姿骨干的识别。
Detectron 2的简介、安装与demo运行
贾路飞的博客
04-13 7282
简介 Detectron 2是基于 PyTorch 框架的目标检测平台，源码地址。 新模型Detectron2 包括原始 Detectron 中的所有模型，例如 Faster R-CNN，Mask R-CNN，RetinaNet 和 DensePose。除此之外，Detectron2 还加入了几个新模型，包括：Cascade R-CNN，Panoptic FPN 和 TensorMask，未来...
detectron2包含哪些目标检测模型
weixin_42613360的博客
02-11 355
Detectron2 包含多种目标检测模型，如： Faster R-CNN Mask R-CNN RetinaNet FPN (Feature Pyramid Network) C5/C4 Feature Network 此外，还包含了 DensePose、Panoptic FPN 等预训练模型。 ...
Detectorn2预训练模型复现：数据准备、训练命令、日志分析与输出目录
fydw_715的博客
09-08 2269
本文将详细介绍如何使用Detectron2进行目标检测模型的复现训练，涵盖训练数据准备、训练命令、训练日志分析、训练指标以及训练输出目录的各个文件及其作用。特别地，我们将演示在训练过程中出现中断后，如何使用 `resume` 功能继续训练，并将我们复现的模型与Model Zoo中的模型进行比较。
使用Dockerfile构建一个包含NVIDIA的PyTorch和Detectron2的镜像
fydw_715的博客
08-01 1500
构建镜像：基于指定的Dockerfile和上下文（包括detectron2目录），构建并标签为。查看镜像：构建成功的镜像大小为20.7GB。保存镜像：将镜像保存为文件，便于分发和备份。这样通过这些步骤，用户可以构建、查看和保存一个包含Detectron2的Docker镜像。这个过程详细展示了每一步的执行和输出，对于理解Docker操作和镜像管理具有很好的参考价值。这一段内容说明了如何使用docker run命令来启动一个包含Detectron2环境的Docker容器，并查看正在运行的容器。
批量修改视频中某个元素的模型
08-24
# 加载预训练模型（如YOLOv4） net = cv2.dnn.readNet("yolov4.weights", "yolov4.cfg") cap = cv2.VideoCapture("input_video.mp4") while cap.isOpened(): ret, frame = cap.read() if not ret: break #...
模型在哪下载
08-11
1. **框架内置模型**：许多深度学习框架（如TensorFlow、PyTorch）提供了预训练模型的下载接口，通常通过其官方模型库（如TensorFlow Hub、PyTorch Hub）或内置函数。 2. **开源模型库**：像Hugging Face这样的平台...
detectron2训练自己的数据集
传统图像处理，深度学习，目标检测（分类，检测，分割），多目标追踪，部署等
11-25 1万+
关于detectron2的代码跑通过程
Detectron2 使用模型
zhuguiqin1的专栏
03-09 881
从 Yacs Config 构建模型 从 yacs 配置对象，模型（及其子模型）可以通过 build_model、build_backbone、build_roi_heads 等函数构建： from detectron2.modeling import build_model model = build_model(cfg) # returns a torch.nn.Module build_model 只构建模型结构并用随机参数填充它。有关如何将现有checkpoint 加载到模型以及如何使用模型对象
detectron2模型使用、读写、训练及测试
热门推荐
alex1801
06-28 1万+
1、使用模型 在detectron2模型（及其子模型）是由功能，如内置build_model，build_backbone，build_roi_heads： from detectron2.modeling import build_model model = build_model(cfg) # returns a torch.nn.Module build_model仅建立模型结构并用随机参数填充它。有关如何将现有检查点加载到模型以及如何使用model对象的信息，请参见下文。 1.1、加载/
detectron2如何使用模型
深度学习与计算机视觉
04-18 3712
detectron2中的模型(及其子模型)由函数构成,例如build_model,build_backbone,build_roi_heads等函数：from detectron2.mo...
如何在Detectron2中进行模型训练？
alankuo的专栏
01-20 532
通过以上步骤，你可以在Detectron2中完成模型的训练过程，在训练结束后，可以使用训练好的模型进行推理和评估。
pytorch使用detectron2模型库模型训练自己的数据
qq_43218533的博客
03-04 6480
一 应用场景 在x86 （Ubuntu18.04）cpu，在pytorch1.10框架下，使用detectron2模型库模型训练自己的数据集，并进行目标检测推理。 二 环境配置 我的环境是： pytorch==1.10+cpu torchvision==0.11.2+cpu detectron2==0.6 opencv==4.5.5 1 基础环境配置 这里可使用conda，或者python3-venv创建虚拟环境，这里不做赘述，仅讲解基础环境搭建。 $ sudo apt-get i
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值