Detectron是Facebook的物體檢測平台，今天宣布開源，它基於Caffe2，用Python寫成，這次開放的代碼中就包含了Mask R-CNN的實現。
除此之外，Detectron還包含了ICCV 2017最佳學生論文RetinaNet，Ross Girshick（RBG）此前的研究Faster R-CNN和RPN、Fast R-CNN、以及R-FCN的實現。
Detectron的基干（backbone）網絡架構包括ResNeXt{50,101,152}、ResNet{50,101,152}、FPN和VGG16。
同時，Facebook還發布了70多種ImageNet-1k預訓練模型的性能基准，包括用用1、2塊GPU時，上述各種基干架構和檢測算法相結合做區域建議、遮罩檢測以及人體關鍵點檢測的訓練時間、推理時間等。
要使用Detectron，你需要先配置英偉達GPU（是的，它還不支持CPU）、Linux系統和Python2，還要安裝Caffe2和COCO API。然后，三步裝上Detectron：
Clone Detectron：
# DETECTRON=/path/to/clone/detectron
git clone https://github.com/facebookresearch/detectron $DETECTRON設置Python模塊：
cd $DETECTRON/lib && make檢查Detectron的測試通過：
python2 $DETECTRON/tests/test_spatial_narrow_as_op.py這樣，就足夠用預訓練模型做推理了。
如果要用Detectron來訓練自己的檢測模型，就需要先確保能通過符號鏈接lib/datasets/data找到數據集，然后用CMake創建定制的運算符庫：
cd $DETECTRON/lib && make ops並檢查這些運算符的測試通過：
python2 $DETECTRON/tests/test_zero_even_op.pyFacebook還貼心地寫了份上手教程，教你用預訓練的Mask R-CNN來做物體檢測。
如果要在本地圖像上運行，只需要使用infer_simple.py工具，運行：
python2 tools/infer_simple.py \
--cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \
--output-dir /tmp/detectron-visualizations \
--image-ext jpg \
--wts https://s3-us-west-2.amazonaws.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \
demo就能得到如下圖所示的輸出。
如果要在COCO數據集上做推理，需要運行：
python2 tools/test_net.py \
--cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \
TEST.WEIGHTS https://s3-us-west-2.amazonaws.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \
NUM_GPUS 1上面這個例子，用了端到端預訓練的Mask R-CNN，在一塊GPU上運行。如果要使用多個GPU，需要在第二行之后添加 —multi-gpu-testing \ 並更改最后的NUM_GPUS數量。
截至量子位發稿，Detectron在GitHub上放出7小時，已經收獲738顆星標、101次Fork。
RBG在Facebook上發帖介紹說，這個項目2016年7月啟動，想要基於Caffe 2構建一個快速、靈活的物體檢測系統，至今已經一年半的時間。Detectron系統本來是Facebook內部使用的，我們前面提到的Mask R-CNN和RetinaNet背后，都由Detectron提供支持。
除了RBG之外，Ilija Radosavovic、Georgia Gkioxari、Piotr Dollar和何愷明也參與了Detectron項目。
在Facebook內部，Detectron不僅用於研究，還用來為增強現實、商業誠信等方面的應用訓練定制化的模型。這些模型訓練完成后可以部署在雲端或者移動設備上，由Caffe2運行時提供支持。
RBG說，Facebook將Detectron平台開源出來，是想要加速世界各地實驗室的研究，推動物體檢測的進展。
Now go forth and create algorithms to detect all of the things!
想用Detectron搞物體檢測算法，你可能要用到下面這些鏈接：
Detectron開源代碼：
https://github.com/facebookresearch/Detectron
相關物體檢測論文：
Mask R-CNN
https://arxiv.org/abs/1703.06870
RetinaNet
https://arxiv.org/abs/1708.02002
Faster R-CNN和RPN
https://arxiv.org/abs/1506.01497
Fast R-CNN
https://arxiv.org/abs/1504.08083
R-FCN
https://arxiv.org/abs/1605.06409
性能基准和Model ZOO：
https://github.com/facebookresearch/Detectron/blob/master/MODEL_ZOO.md
另外，你們可能還想去RBG大神的FB帖子底下表達一波感謝（以及質問開源代碼為何拖了這么久）：
https://www.facebook.com/ross.girshick/posts/10159910213745261