“等代码吧。”
从Mask R-CNN论文亮相至今的10个月里，关于它的讨论几乎都会以这句话收尾。
现在，官方版开源代码终于来了。同时发布的，是这项研究背后的一个基础平台：Detectron。
Detectron是Facebook的物体检测平台，今天宣布开源，它基于Caffe2，用Python写成，这次开放的代码中就包含了Mask R-CNN的实现。
除此之外，Detectron还包含了ICCV 2017较佳学生论文RetinaNet，Ross Girshick（RBG）此前的研究Faster R-CNN和RPN、Fast R-CNN、以及R-FCN的实现。
Detectron的基干（backbone）网络架构包括ResNeXt{50,101,152}、ResNet{50,101,152}、FPN和VGG16。
同时，Facebook还发布了70多种ImageNet-1k预训练模型的性能基准，包括用用1、2块GPU时，上述各种基干架构和检测算法相结合做区域建议、遮罩检测以及人体关键点检测的训练时间、推理时间等。
要使用Detectron，你需要先配置英伟达GPU（是的，它还不支持CPU）、Linux系统和Python2，还要安装Caffe2和COCO API。然后，三步装上Detectron：
Clone Detectron：
# DETECTRON=/path/to/clone/detectron
git clone https://github.com/facebookresearch/detectron $DETECTRON
设置Python模块：
cd $DETECTRON/lib && make
检查Detectron的测试通过：
python2 $DETECTRON/tests/test_spatial_narrow_as_op.py
这样，就足够用预训练模型做推理了。
如果要用Detectron来训练自己的检测模型，就需要先确保能通过符号链接lib/datasets/data找到数据集，然后用CMake创建定制的运算符库：
cd $DETECTRON/lib && make ops
并检查这些运算符的测试通过：
python2 $DETECTRON/tests/test_zero_even_op.py
Facebook还贴心地写了份上手教程，教你用预训练的Mask R-CNN来做物体检测。
如果要在本地图像上运行，只需要使用infer_simple.py工具，运行：
python2 tools/infer_simple.py \
--cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \
--output-dir /tmp/detectron-visualizations \
--image-ext jpg \
--wts https://s3-us-west-2.amazonaws.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \
demo
就能得到如下图所示的输出。
如果要在COCO数据集上做推理，需要运行：
python2 tools/test_net.py \
--cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \
TEST.WEIGHTS https://s3-us-west-2.amazonaws.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \
NUM_GPUS 1
上面这个例子，用了端到端预训练的Mask R-CNN，在一块GPU上运行。如果要使用多个GPU，需要在第二行之后添加 —multi-gpu-testing \ 并更改最后的NUM_GPUS数量。
截至量子位发稿，Detectron在GitHub上放出7小时，已经收获738颗星标、101次Fork。
RBG在Facebook上发帖介绍说，这个项目2016年7月启动，想要基于Caffe 2构建一个快速、灵活的物体检测系统，至今已经一年半的时间。Detectron系统本来是Facebook内部使用的，我们前面提到的Mask R-CNN和RetinaNet背后，都由Detectron提供支持。
除了RBG之外，Ilija Radosavovic、Georgia Gkioxari、Piotr Dollar和何恺明也参与了Detectron项目。
在Facebook内部，Detectron不仅用于研究，还用来为增强现实、商业诚信等方面的应用训练定制化的模型。这些模型训练完成后可以部署在云端或者移动设备上，由Caffe2运行时提供支持。
RBG说，Facebook将Detectron平台开源出来，是想要加速世界各地实验室的研究，推动物体检测的进展。
Now go forth and create algorithms to detect all of the things!
想用Detectron搞物体检测算法，你可能要用到下面这些链接：
Detectron开源代码：
https://github.com/facebookresearch/Detectron
相关物体检测论文：
Mask R-CNN
https://arxiv.org/abs/1703.06870
RetinaNet
https://arxiv.org/abs/1708.02002
Faster R-CNN和RPN
https://arxiv.org/abs/1506.01497
Fast R-CNN
https://arxiv.org/abs/1504.08083
R-FCN
https://arxiv.org/abs/1605.06409
性能基准和Model ZOO：
https://github.com/facebookresearch/Detectron/blob/master/MODEL_ZOO.md
另外，你们可能还想去RBG大神的FB帖子底下表达一波感谢（以及质问开源代码为何拖了这么久）：
https://www.facebook.com/ross.girshick/posts/10159910213745261
文章来源：量子位
《Python机器学习Kaggle案例实战》课程以案例作为基本讲解单元，围绕案例讲解分析思路，特征和模型选择，编写代码等。每周固定时间提供微信分享答疑。点击下方二维码报名课程
