本文经AI新媒体量子比特（公众号ID：QbitAI）授权转载，转载请联系出处。对于目标检测和语义分割，你一定听说过Detectron2。作为基于PyTorch的模块化目标检测库，Detectron2一开源就被推上了GitHub趋势榜的前列。而现在，移动开发人员的好处来了。Facebook正式推出了Detectron2的移动版本：Detectron2Go(D2Go)。什么是D2Go先来看看官方介绍：PyTorch和Detectron2支持的深度学习工具包最先进高效的移动设备骨干网络，支持端到端的模型训练、量化和部署可以轻松导出TorchScript格式通过D2Go，开发者可以创建针对移动设备优化的FBNet模型，可以在移动端高效执行目标检测、语义分割、关键点估计等任务。△D2Go人体关键点估计那么D2Go具体有哪些优势呢？实际上，移动端的目标检测任务主要关注两点：时延和准确率。而如果模型能够在边缘设备上独立运行，无需将数据发送到云端进行处理，则可以大大降低延迟。此外，这进一步保护了终端用户的数据和隐私安全。Facebook表示，在实验测试中，使用D2Go开发的移动模型的延迟低于基于服务器的模型，并且几乎没有准确性损失。如何使用是安装的第一部分，需要安装：PyTorchNightlycondainstallpytorchtorchvisioncudatoolkit=10.2-cpytorch-nightlyDetectron2python-mpipinstall'git+https://github.com/facebookresearch/detectron2.git'mobile_cvpython-mpipinstall'git+https://github.com/facebookresearch/mobile-vision.git'D2gogitclonehttps://github.com/facebookresearch/d2gocdd2go&python-mpipinstall。在D2go的GitHub仓库中，也提供了预训练模型的推理demo。从model_zoo中选择一个模型，运行demo.py，就可以试用了。以faster_rcnn_fbnetv3a模型为例：cddemo/pythondemo.py—config-filefaster_rcnn_fabnetv3a_C4.yaml—inputinput1.jpg—outputoutput1.jpg在训练和评估方面，D2Go本身是基于detectron2工具包实现的，所以在训练之前，您需要按照detectron2的说明设置内置数据集。至于如何使用预训练模型进行推理，训练一个D2go模型，并将模型导出为int8，Facebook也提供了详细的入门示例。想了解更多详情，不妨戳文末链接自行尝试~传送门开源地址：https://github.com/facebookresearch/d2goFacebook博客：https://ai.facebook.com/blog/d2go-brings-detectron2-to-mobile/
