Detectron概述
Detectron是Facebook FAIR開源了的一個目標檢測（Object Detection）平台。
用一幅圖簡單說明下Object Detection。如Mask R-CNN已經能夠做到多目標的Instance Segmentation。
圖片來源: Fei-Fei Li, Andrej Karpathy & Justin Johnson (2016) cs231n, Lecture 8 - Slide 8, Spatial Localization and Detection (01/02/2016). Available: http://cs231n.stanford.edu/slides/2016/winter1516_lecture8.pdf
Detectron項目項目自 2016 年 下半年啟動，基於Caffe2 ，目前支持大量機器學習算法和已經訓練好的模型。項目地址：https://github.com/facebookresearch/Detectron
其中目標檢測算法的實現包括：
Mask R-CNN (https://arxiv.org/abs/1703.06870)—Marr Prize at ICCV 2017
RetinaNet (https://arxiv.org/abs/1708.02002)—Best Student Paper Award at ICCV 2017
Faster R-CNN (https://arxiv.org/abs/1506.01497)
RPN (https://arxiv.org/abs/1506.01497)
Fast R-CNN (https://arxiv.org/abs/1504.08083)
R-FCN (https://arxiv.org/abs/1605.06409)
這些目標檢測算法主要使用以下卷積網絡架構：
ResNeXt{50,101,152} (https://arxiv.org/abs/1611.05431)
ResNet{50,101,152} (https://arxiv.org/abs/1512.03385)
Feature Pyramid Networks (https://arxiv.org/abs/1612.03144) (with ResNet/ResNeXt)
VGG16 (https://arxiv.org/abs/1409.1556)
Detectron配置
想要使用和理解其中各個方法，最基礎的一步就是能夠先配置好環境，將示例跑通，接下去也接着配置Detectron的機會，把GPU相關的配置再梳理一下。
1、GPU驅動
以往在linux下安裝顯卡驅動是一段非常東痛苦的經歷，搞得不好，一重啟就黑屏。如果是多顯卡的機器，也會遇到無法切換，或者各種版本不兼容的問題。
這兩年在ubuntu社區和NVIDIA官方的努力下，社區的PPA專有驅動基本已經相對穩定。
a)在安裝之前，首先確認你的電腦是否在BIOS上有secure boot，如果有進入BIOS，把secure boot 設置成disable。 （這設置十分重要，不然會出現無法安裝CUDA的情況）
b)如果之前已經自帶的NVIDIA驅動，需要刪除老的驅動
sudo apt-get –purge remove nvidia-glx nvidia-glx-new
sudo apt-get –purge remove nvidia-settings nvidia-kernel-common
c)確保萬無一失，在原有驅動刪除之后，需要將Ubuntu集成的開源驅動加入黑名單，即修改/etc/modprobe.d/blacklist.conf文件：
sudo gedit /etc/modprobe.d/blacklist.conf
d)在該文件中增加如下兩行：
blacklist nouveau
options nouveau modeset=0
e)然后需要確定你的顯卡對應的驅動版本，知道自己的顯卡型號后，可以利用官方提供的驅動下載查詢界面： NVIDIA 驅動查詢
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update
f)接着在軟件中心的 software & updates中的Additional Drivers的標簽，找到和之前查到GPU驅動版本一致的條目，點擊apply changes
重啟之后應該就安裝好了。
Tips：在16.04中有遇到過，在Additional Drivers那個界面選擇了GPU驅動后，點擊apply changes無法更改的尷尬情況。
解決方法是直接使用命令行
sudo apt-get install nvidia-××× nvidia-prime （XXX為對應的驅動型號）
測試驅動是否安裝成功
nvidia-smi
如果出現了你的GPU列表，則說明驅動安裝成功了。
2、Cuda
cuda的安裝根據自己的系統選擇合適的版本，為了避免一系列可能會出現的問題，在安裝CUDA之前，可以進行一下安裝前的自檢，自檢可以參照官方給的文檔（CUDA安裝前自檢）
官網下載 cudnn 需要注冊帳號並登錄。官方下載網址
下載完成后，在文件所在的文件夾
sudo dpkg -i cuda-repo-ubuntu1604-×××××_amd64.deb （××××為官方版本號）
sudo apt-get update
sudo apt-get install cuda
如果是CUDA8.0可能會遇到gcc版本的不兼容問題，可以給GCC降級。
安裝完之后，配置cuda的環境變量，在文件~/.bashrc之后加上
gedit ~/.bashrc
export PATH=/usr/local/cuda-××/bin:$PATH （××是版本號）
export LD_LIBRARY_PATH=/usr/local/cuda-××/lib64:$LD_LIBRARY_PATH （××是版本號）
然后設置環境變量和動態鏈接庫，在命令行輸入
sudo gedit /etc/profile
在打開的文件里面加上（注意等號兩邊不能有空格）
export PATH=/usr/local/cuda/bin:$PATH
保存之后，創建鏈接文件
sudo gedit /etc/ld.so.conf.d/cuda.conf
在打開的文件中添加如下語句：
/usr/local/cuda/lib64
保存退出執行命令行：
sudo ldconfig
使鏈接立即生效。
Tips：之前在配置ZED雙目相機的，如果是 下載Local版的CUDA，都會在安裝ZED SKD時出現找不到CUDA8的提示。
在試了很多次之后，偶爾一次使用了CUDA下載頁面中的 deb(network)版本，然后就成功了。 所以建議采用deb的方式安裝。
測試Cuda是否安裝成功：
cd /usr/local/cuda-××/samples/1_Utilities/deviceQuery （××為版本號）
sudo make
sudo ./deviceQuery
3、CuDNN
CuDNN是NVIDIA推出的針對深度學習的Cuda優化庫，可以幫助提升算法效率
ubuntu下使用deb比較方便，不需要自己設置環境變量
先安裝runtime庫，這里以cuda9.0為例。
sudo dpkg -i libcudnn7_7.0.3.11-1+cuda9.0_amd64.deb
再安裝dev庫
sudo dpkg -i libcudnn7-dev_7.0.3.11-1+cuda9.0_amd64.deb
4、配置Caffee2
Caffe2的安裝相比於caffe的安裝要簡單很多，不需要自己去配置Makefile.config，可以在make的時候，自動檢測GPU以各種庫，例如OpenCV。如果沒有就自動選擇不使用。
官方的安裝說明永遠是最好的說明
https://caffe2.ai/docs/getting-started.html?platform=linux&configuration=compile
這里也簡單梳理下流程。
首先確定系統和安裝方式，這里采用直接編譯源碼的方式。
安裝需要的庫
sudo apt-get update
sudo apt-get install -y --no-install-recommends \
build-essential \
cmake \
git \
libgoogle-glog-dev \
libgtest-dev \
libiomp-dev \
libleveldb-dev \
liblmdb-dev \
libopencv-dev \
libopenmpi-dev \
libsnappy-dev \
libprotobuf-dev \
openmpi-bin \
openmpi-doc \
protobuf-compiler \
python-dev \
python-pip
sudo pip install \
future \
numpy \
protobuf
libgflags2根據系統選擇
# 對於 Ubuntu 14.04
sudo apt-get install -y --no-install-recommends libgflags2
# 對於 Ubuntu 16.04
sudo apt-get install -y --no-install-recommends libgflags-dev
對於GPU的相關依賴我們已經在上面完成配置了，caffe2也給了官方GPU配置的說明，也可以作為一種參考。
另外如opencv庫也可以根據自己的需要進行安裝
完成准備工作后就可以下載源碼進行編譯。
git clone --recursive https://github.com/caffe2/caffe2.git && cd caffe2
make && cd build && sudo make install
測試caffe2是否安裝成功
cd ~ && python -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"
如果是failure，試着cd到caffe2/build的文件夾里，然后執行
python -c 'from caffe2.python import core' 2>/dev/null
如果successful，說明是環境變量的設置問題，如果還是失敗，則會有具體的提示。
配置環境變量，編輯~/.bashrc
export PYTHONPATH=/usr/local:$PYTHONPATH
export PYTHONPATH=$PYTHONPATH:/home/**/devapp/caffe2/build (**為計算機名)
export LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH
5、Detectron配置
還是那句話，最好的教程是官方的文檔。
https://github.com/facebookresearch/Detectron/blob/master/INSTALL.md
找個合適的文件位置進行clone
git clone https://github.com/facebookresearch/detectron
編譯python庫
cd DETECTRON/lib && make （DETECTRON表示你clone下來的文件夾）
測試是否編譯成功
python2 $DETECTRON/tests/test_spatial_narrow_as_op.py （DETECTRON表示你clone下來的文件夾）
如果遇到缺少庫的問題，可以根據報錯的信息把庫加上
另外的問題可以參見官方的Troubleshooting
6、Detectron簡單使用
參考
https://github.com/facebookresearch/Detectron/blob/master/GETTING_STARTED.md
訓練相關的我們放到之后去說，這里先說下利用已經訓練好的模型和算法框架來進行目標的檢測。
根據不同的需求，對象檢測可以分為幾種，1）Bounding box，2）Mask，3）KeyPoints
這里給出兩個例子，用mask和
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
python2 tools/infer_simple.py \
--cfg configs/12_2017_baselines/e2e_keypoint_rcnn_R-101-FPN_s1x.yaml \
--output-dir /tmp/detectron-visualizations \
--image-ext jpg \
--wts https://s3-us-west-2.amazonaws.com/detectron/37698009/12_2017_baselines/e2e_keypoint_rcnn_R-101-FPN_s1x.yaml.08_45_57.YkrJgP6O/output/train/keypoints_coco_2014_train%3Akeypoints_coco_2014_valminusminival/generalized_rcnn/model_final.pkl \
demo
下面第一和第二個圖是Bounding box和Mask的效果，第三和第四個圖是Bounding box和人體骨骼keypoints的效果。
