PyTorch目标检测库Detectron2诞生了，Facebook出品。
站在初代的肩膀上，它训练比从前更快，功能比从前更全，支持的模型也比从前更丰盛。
开源5天，已在GitHub收获3100星，还成了趋势榜第一：
除此之外，团队把大规模姿态估计算法DensePose，做出了基于Detectron2的新版本。
Facebook说，像DensePose一样，今后会有更多研究项目，在Detectron2上搭建起来。
这样，就可以把它当成一个广泛支持各种研究工作的库了。
那么，现在就来仔细观察一下，Detectron2都发生了哪些进化：
全方位升级
首先，Detectron2比起初代，最明显的变化是：
基于PyTorch了，初代还是在Caffe2里实现的。
团队说，PyTorch有直观的指令式编程，这样就能更快地迭代模型设计和实验。
Detectron2是在PyTorch里从零开始写成的，团队希望这种做法，能让用户享受PyTorch做深度学习的思路。社区更活跃的话，PyTorch也会变得更好。
第二个变化，是模块化了。
所谓模块化，就是用户可以把自己定制的模块实现，加到一个目标检测系统的任何部分里去。
这意味着许多的新研究，都能用几百行代码写成，并且可以把新实现的部分，跟核心Detectron2库完全分开。
除此之外，还有许多新支持的模型、功能和任务：
新模型&新功能
首先，Detectron2包含了一代可用的所有模型：
比如Faster R-CNN，Mask R-CNN，RetinaNet，DensePose等等。
然后，加入了一些新模型：
比如Cascade R-NN，Panoptic FPN，以及TensorMask。
今后，陆续会有新的算法支持。
功能方面，二代新支持了同步批量归一化 (synchronous Batch Norm) ，也支持了LVIS等等许多新的数据集。
新任务
和目标检测有关的任务，初代已经支持了一部分，二代也都支持：
有边界框的目标检测，实例分割mask，以及人类姿态预测。
在这基础之上，二代又增加了新任务：
语义分割和全景分割 (Panoptic Segmentation) ，这是一个把语义分割和实例分割结合到一起的任务。速度快
博客提到，由于把整个训练pipeline移到了GPU上，二代比初代更快了，在许多模型上都是如此。分布式训练，让几台GPU一起跑的话，还可以把训练规模扩张到更大的数据集上。
速度的对比，是用第100-500次迭代之间的平均吞吐量 (Average Throughput) 作为指标。这样就跳过了GPU预热时间。结果如下：
肉眼可见的加速。
注意，对于R-CNN这类模型，一个模型的吞吐量会随着训练的进行而变化，这取决于模型的预测。
因此，这个指标也不能和model zoo里的“训练速度”相提并论。model zoo用的是整个训练过程运行的平均速度。
部署一下
最后，Facebook的计算机视觉攻城狮们，实现了一个额外的软件层，叫Detectron2go。
有了它，就可以更快地把新实现的模型，部署到生产环节。
这一层的功能包括了标准训练工作流，带有内部数据集，网络量化，以及模型转化 (为了给云端和移动端部署，选择各自最优的格式) 。
传送门
总之，训练起来更顺滑了，支持的任务也广泛了，快点用起来吧：
