GitHub趋势榜第一名：超级PyTorch目标检测库Detectron2，5天3100星第一名：超级PyTorch目标检测库Detectron2，5天3100星》>PyTorch目标检测库Detectron2诞生，Facebook出品第一名：SuperPyTorch目标检测库Detectron2，5天3100颗星"style="text-align:center;">站在第一代的肩膀上，训练比以前更快，功能比以前多，支持的模型比以前多。开源5天，在GitHub上获得3100星，成为趋势榜第一名：第一：超级PyTorch对象检测库Detectron2，5天3100星”>此外，团队开发一个大规模的姿态估计算法DensePose，基于Detectron2做了一个新的版本。Facebook说像DensePose，以后会有更多的研究项目建立在Detectron2上。这样一来，它可以看作是一个库，广泛支持各种研究工作。那么，现在让我们仔细看看Detectron2的演变：全方位升级第一：超级PyTorch对象检测库Detectron2，5天3100颗星”>首先是Detectron2最明显的变化相比原来的是：它基于PyTorch，第一代是在Caffe2中实现的。该团队表示，PyTorch具有直观的命令式编程，可以实现更快的迭代模型设计和实验。Detectron2是用PyTorch从头开始??编写的。该团队希望这种方法能让用户享受PyTorch进行深度学习的想法。社区越活跃，PyTorch就会越好。第二个变化是模块化。所谓模块化，就是用户可以实现自己定制的模块，添加到目标检测系统的任何部分。这意味着可以用几百行代码编写大量新研究，部分新实现可以完全脱离核心Detectron2库。此外，还有许多新的支持模型、功能和任务：NewModels&NewFunctions首先，Detectron2包括了一代中所有可用的模型：如FasterR-CNN、MaskR-CNN、RetinaNet、DensePose等。第一：超强PyTorch目标检测库Detectron2，5天3100颗星”>然后，增加了一些新的模型：如CascadeR-NN、PanopticFPN、TensorMask等，以后还会陆续有新的算法支持功能方面，二代支持同步批归一化（synchronousBatchNorm），也支持LVIS等很多新的数据集，新的任务和目标检测相关的任务，一代已经支持了一部分，而二代还支持：是boundingboxes的目标检测，instancesegmentationmask,humanposeprediction。第一：超级PyTorch目标检测库Detectron2，5天3100星”>在此基础上，二代增加了新任务：语义分割全景分割（PanopticSegmentation），这是一个结合了语义分割和实例分割的任务。速度快的博客提到，由于将整个训练流水线都搬到了GPU上，因此第二代比第一代更快，在很多模型上都是如此。分布式训练，如果让几个GPU一起跑，还可以把训练规模扩大到更大的数据集。速度比较是以第100次和第500次迭代之间的平均吞吐量（AverageThroughput）作为指标。这会跳过GPU预热时间。结果如下：第一：超级PyTorch目标检测库Detectron2，5天3100颗星”>肉眼可见的加速。注意对于R-CNN等模型，模型的吞吐量会随着训练的进行而变化.取决于模型的预测。因此，这个指标不能和modelzoo中的“训练速度”相提并论，modelzoo使用的是整个训练过程的平均速度。部署一下。最后，Facebook的计算机视觉攻城狮,实现一个名为Detectron2go的附加软件层。有了它，新实现的模型可以更快地部署到生产中。该层的功能包括标准训练工作流、具有内部数据集、网络量化和模型转换（以便部署到云和移动终端，为每个选择最佳格式）。
