Facebook AI 研究院于日前開源由 Python 語言編寫的基于深度學(xué)習(xí)框架 Caffe2 的物體識(shí)別框架 Detectron。其中包含多個(gè)重要且熱門的目標(biāo)檢測算法，Detectron 能夠根據(jù)電腦視覺的任務(wù)，自動(dòng)產(chǎn)生適合的模型。

臉書在去年 F8 大會(huì)上大秀 AR/VR 應(yīng)用，尤其展示了多種在生活場景疊加圖片的 AR 技術(shù)，今日開源的目標(biāo)檢測框架Detectron，可以快速在影片或圖片中辨別出物體的形狀或邊緣，方便疊加影像。

Detectron 項(xiàng)目于 2016 年 7 月啟動(dòng)，當(dāng)時(shí)的目標(biāo)就是要在深度學(xué)習(xí)框架Caffe2上，創(chuàng)造一個(gè)快速且具有彈性的目標(biāo)檢測系統(tǒng)，后來進(jìn)入預(yù)覽的開發(fā)階段。在過去一年半的時(shí)間里，Detectron已經(jīng)成熟并可以支持FAIR多數(shù)的項(xiàng)目，包括Mask R-CNN 、Focal Loss for Dense Object Detection，它們分別在2017年ICCV 獲得 Marr 獎(jiǎng)和***學(xué)生論文獎(jiǎng)。這些由 Detectron 支持的算法為重要的計(jì)算機(jī)視覺任務(wù)(例如實(shí)例分割(Instance segmentation))提供了直觀的模型，除此之外，Detectron對(duì)于一些視覺感知系統(tǒng)也會(huì)有很大的幫助。

在臉書AI研究院內(nèi)部，Detectron已經(jīng)用在多個(gè)項(xiàng)目中，像是Feature Pyramid Networks for Object Detection、Mask R-CNN、Detecting and Recognizing Human-Object Interactions、Focal Loss for Dense Object Detection、Non-local Neural Networks, Learning to Segment Every Thing和Data Distillation: Towards Omni-Supervised Learning。

而臉書 AI 研究院將 Detectron 開源的目的是，能夠讓 FAIR 的研究與大家分享，來加速全世界的研究成果。除了研究之外，臉書團(tuán)隊(duì)用Detectron，為不同的重要應(yīng)用，訓(xùn)練出定制化的模型，模型訓(xùn)練完成后，即可通過輕量級(jí)且模塊化的 Caffe2 部署于云端、行動(dòng)裝置，臉書期望 Detectron 能夠幫助發(fā)展出下一代的目標(biāo)檢測技術(shù)。

此外，Ross Girshick表示，臉書AI研究院也在模型動(dòng)物園(Model Zoo)中，發(fā)布超過70個(gè)已用Detectron訓(xùn)練過的模型，提供開發(fā)者下載，創(chuàng)造出自己的目標(biāo)檢測系統(tǒng)。