基于深度学习的目标检测与识别

FAIR的目标检测研究平台，实现Mask R-CNN，RetinaNet等流行算法。

该软件系统由Facebook AI Research开发，采用了最前沿的目标检测算法体系，并包含Mask R-CNN模型。它基于Python开发，并借助Caffe2深度学习框架的强大功能运行。

该软件系统由Facebook AI Research开发,采用了最前沿的目标检测算法体系,并包含Mask R-CNN模型。它基于Python开发,并借助Caffe2深度学习框架的强大功能运行。

FAIR平台下的Detectron系统已开展了一系列监督学习相关研究。该系统涵盖：基于特征金字塔网络的物体检测模型；采用掩模R-CNN算法进行目标识别；针对人与物体相互作用的行为检测及识别技术；提出了针对密集目标检测的任务焦点损失函数；引入了一种基于非局部操作的人工智能模型；开发了一种能够细致划分各类场景的学习方法；以及数据蒸馏技术的应用：全面提升了监督学习的效果。

该系统旨在为物体检测研究提供高质量且高效的代码库。 该系统致力于以灵活的方式支持新研究的快速实现与评估。 该系统包括以下内容：对象检测算法的实现

• Mask R-CNN received the Marr Prize at the ICCV 2017 conference.
• [RetinaNet] was awarded the Best Student Paper Award at the same conference.
• Among top papers, [Faster R-CNN] stands out for its efficiency in object detection.
• The development of [RPN] significantly advanced real-time detection techniques.
• Another notable work, [Fast R-CNN], improved upon traditional methods with enhanced accuracy.
• Building on these foundations, [R-FCN] further refined feature extraction capabilities.

using the following backbone network architectures:

• ResNeXt{50,101,152}
• ResNet{50,101,152}
• Feature Pyramid Networks (with ResNet/ResNeXt)
• VGG16

安装要求：

     NVIDIA GPU，Linux，Python2
     Caffe2，各种标准的Python包和COCO API; 下面是找到安装这些依赖项的说明

笔记：

     Detectron操作员目前没有CPU的执行; 一个GPU系统是必需的。
     Detectron已经通过CUDA 8.0和cuDNN 6.0.21进行了广泛的测试。