來源：量子位

魚羊 發自 凹非寺

量子位 報道 | 公眾號 QbitAI

做目標檢測、語義分割，你一定聽說過Detectron2。

作為一個基于PyTorch實現的模塊化目標檢測庫，Detectron2當年剛一開源，就被推上了GitHub趨勢榜第一。

而現在，移動端開發人員們的福利來了。

Facebook官方正式推出Detectron2的移動版：Detectron2Go（D2Go）。

什么是D2Go

先來看官方介紹：

PyTorch和Detectron2支持的深度學習工具包

最先進的高效移動設備骨干網絡

支持端到端模型訓練、量化和部署

能輕松導出TorchScript格式

通過D2Go，開發者可以創建已經針對移動設備進行過優化的FBNet模型，在移動端高效地執行目標檢測、語義分割以及關鍵點估計等任務。

那么D2Go具體有哪些優勢呢？

實際上，移動端的目標檢測任務主要關注的有兩點：延遲和準確性。

而如果模型能夠在邊緣設備上獨立運行，不用將數據傳至云端進行處理，就能大大的減少延遲。

另外，這也進一步保障了終端用戶的數據、隱私安全。

Facebook表示，在實驗測試中，使用D2Go開發的移動端模型，與基于服務器的模型相比，延遲更低，且準確性損失不大。

如何使用

首先是安裝的部分，需要安裝的有：

PyTorch Nightly

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

Detectron2

python?-m?pip?install?'git+https://github.com/facebookresearch/detectron2.git'

mobile_cv

python?-m?pip?install?'git+https://github.com/facebookresearch/mobile-vision.git'

D2go

git?clone?https://github.com/facebookresearch/d2go

cd?d2go?&?python?-m?pip?install?.

在D2go的GitHub倉庫中，還提供了預訓練模型的推理Demo。

從model_zoo中選擇一個模型，運行demo.py，就可以進行試玩。

以faster_rcnn_fbnetv3a模型為例：

cd?demo/

python?demo.py?—config-file?faster_rcnn_fabnetv3a_C4.yaml?—input?input1.jpg?—output?output1.jpg

在訓練和評估方面，D2Go本身基于detectron2工具包實現，因此在訓練之前，需要按照detectron2的說明設置內置數據集。

而具體如何用預訓練模型進行推理、訓練一個D2go模型、將模型導出到int8，Facebook也提供了詳細的入門示例。

傳送門

開源地址：

https://github.com/facebookresearch/d2go

Facebook博客：

https://ai.facebook.com/blog/d2go-brings-detectron2-to-mobile/

（聲明：本文僅代表作者觀點，不代表新浪網立場。）