检测器 -  PyTorch的检测器

（免责声明：这项工作正在进行中，并不具备检测器的所有功能。目前仅支持推理和评估 - 无需培训）（新闻：现在支持FPN和ResNet-101！）

此代码允许使用一些Detectron模型通过PyTorch从Facebook AI Research进行对象检测。

它目前支持：

• 快速R-CNN

• 更快的R-CNN

• 面具R-CNN

它支持带或不带FPN的ResNet-50/101型号。来自caffe2的预训练模型可以导入并在PyTorch上使用。

示例使用ResNet-101和FPN屏蔽R-CNN。

评估

边界框评估和实例分割评估都经过测试，产生与Detectron caffe2模型相同的结果。下面的这些结果是使用PyTorch代码计算的：

| 型号| 盒子AP | 掩膜AP | 型号id | --- | --- | --- | --- | | fast_rcnn_R-50-C4_2x | 35.6 | | 36224046 | | fast_rcnn_R-50-FPN_2x | 36.8 | | 36225249 | | e2e_faster_rcnn_R-50-C4_2x | 36.5 | | 35857281 | | e2e_faster_rcnn_R-50-FPN_2x | 37.9 | | 35857389 | | e2e_mask_rcnn_R-50-C4_2x | 37.8 | 32.8 | 35858828 | | e2e_mask_rcnn_R-50-FPN_2x | 38.6 | 34.5 | 35859007 | | e2e_mask_rcnn_R-101-FPN_2x | 40.9 | 36.4 | 35861858 |

训练

培训代码是实验性的。请参阅train_fast.py快速R-CNN培训。它似乎工作，但很慢。

安装

首先，克隆repo，git clone --recursive https://github.com/ignacio-rocco/detectorch以便您也克隆Coco API。

该代码可以与Python 3下的PyTorch 0.3.1或PyTorch 0.4（master）一起使用。建议使用Anaconda。其他所需的包裹

• 火炬（conda install torchvision -c soumith）

• opencv（conda install -c conda-forge opencv）

• cython（conda install cython）

• matplotlib（conda install matplotlib）

• scikit-image（conda install scikit-image）

• 忍者（conda install ninja）（仅限Pytorch 0.4）

此外，您需要构建Coco API和RoIAlign层。见下文。

编译Coco API

如果你克隆了这个回购，git clone --recursive你应该也克隆了cocoapi lib/cocoapi。用以下内容编译：

cd lib/cocoapi/PythonAPImake install

编译RoIAlign

RoIAlign图层是从caffe2版本转换而来的。每个PyTorch版本有两种不同的实现：

• Pytorch 0.4：使用ATen库（lib / cppcuda）的RoIAlign。加载时编译的JIT。

• PyTorch 0.3.1：使用TH / THC和cffi（lib / cppcuda_cffi）进行RoIAlign。需要编译：

cd lib/cppcuda_cffi./make.sh

快速开始

检查演示笔记本。