34.9K ·GitHub
Что это такое?
Detectron2 — это библиотека нового поколения от Facebook AI Research для обнаружения объектов, сегментации и других задач распознавания изображений, с самыми современными алгоритмами.
Detectron2 — это библиотека нового поколения от Facebook AI Research для обнаружения объектов, сегментации и других задач распознавания изображений, с самыми современными алгоритмами.Это приложение, которое я запускаю, или библиотека, на которой я строю что-то своё?Это библиотека: вы строите на её основе исследовательские проекты и приложения, а не запускаете её как отдельную программу.
Это библиотека: вы строите на её основе исследовательские проекты и приложения, а не запускаете её как отдельную программу.Как её установить и попробовать первую модель?Установите её по инструкциям по установке, затем следуйте руководству Getting Started или официальному Colab Notebook — там описано базовое использование.
Установите её по инструкциям по установке, затем следуйте руководству Getting Started или официальному Colab Notebook — там описано базовое использование.Она работает на PyTorch?Да — она построена на PyTorch: обученные модели экспортируются в TorchScript (формат PyTorch), также поддерживается экспорт в Caffe2. Требования к окружению смотрите в инструкциях по установке.
Да — она построена на PyTorch: обученные модели экспортируются в TorchScript (формат PyTorch), также поддерживается экспорт в Caffe2. Требования к окружению смотрите в инструкциях по установке.Это для исследователей или для продакшена?И для того, и для другого — на ней работают как проекты по компьютерному зрению, так и продакшен-приложения внутри Facebook.
И для того, и для другого — на ней работают как проекты по компьютерному зрению, так и продакшен-приложения внутри Facebook.Какие задачи и архитектуры моделей она поддерживает?Основа — обнаружение объектов и сегментация, плюс паноптическая сегментация, Densepose, Cascade R-CNN, повёрнутые ограничивающие рамки, PointRend, DeepLab, ViTDet и MViTv2.
Основа — обнаружение объектов и сегментация, плюс паноптическая сегментация, Densepose, Cascade R-CNN, повёрнутые ограничивающие рамки, PointRend, DeepLab, ViTDet и MViTv2.Чем она отличается от оригинального Detectron?Это преемник нового поколения как Detectron, так и maskrcnn-benchmark, а главное улучшение — скорость: обучение идёт значительно быстрее.
Это преемник нового поколения как Detectron, так и maskrcnn-benchmark, а главное улучшение — скорость: обучение идёт значительно быстрее.Где можно увидеть её в действии?В README есть ссылка на статью в блоге с дополнительными демо, а также на интервью о том, как создавался detectron2.
В README есть ссылка на статью в блоге с дополнительными демо, а также на интервью о том, как создавался detectron2.What are similar projects?ultralytics, deep-learning-for-image-processing, VisionHOPE, X-AnyLabeling, dinov3, yolov7, Swin-Transformer, CVPR2026-Papers-with-Code
ultralytics, deep-learning-for-image-processing, VisionHOPE, X-AnyLabeling, dinov3, yolov7, Swin-Transformer, CVPR2026-Papers-with-Code