本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

做目標檢測、語義分割，你一定聽說過Detectron2。

作為一個基于PyTorch實現的模塊化目標檢測庫，Detectron2當年剛一開源，就被推上了GitHub趨勢榜第一。

而現在，移動端開發人員們的福利來了。

Facebook官方正式推出Detectron2的移動版：Detectron2Go（D2Go）。

什么是D2Go

先來看官方介紹：

• PyTorch和Detectron2支持的深度學習工具包
• 最先進的高效移動設備骨干網絡
• 支持端到端模型訓練、量化和部署
• 能輕松導出TorchScript格式

通過D2Go，開發者可以創建已經針對移動設備進行過優化的FBNet模型，在移動端高效地執行目標檢測、語義分割以及關鍵點估計等任務。

△D2Go人體關鍵點估計

那么D2Go具體有哪些優勢呢？

實際上，移動端的目標檢測任務主要關注的有兩點：延遲和準確性。

而如果模型能夠在邊緣設備上獨立運行，不用將數據傳至云端進行處理，就能大大的減少延遲。

另外，這也進一步保障了終端用戶的數據、隱私安全。

Facebook表示，在實驗測試中，使用D2Go開發的移動端模型，與基于服務器的模型相比，延遲更低，且準確性損失不大。

如何使用

首先是安裝的部分，需要安裝的有：

PyTorch Nightly

conda install pytorch torchvision cudatoolkit=10.2 -c pytorch-nightly

Detectron2

python -m pip install 'git+https://github.com/facebookresearch/detectron2.git'

mobile_cv

python -m pip install 'git+https://github.com/facebookresearch/mobile-vision.git'

D2go

git clone https://github.com/facebookresearch/d2go
cd d2go & python -m pip install .

在D2go的GitHub倉庫中，還提供了預訓練模型的推理Demo。

從model_zoo中選擇一個模型，運行demo.py，就可以進行試玩。

以faster_rcnn_fbnetv3a模型為例：

cd demo/
python demo.py —config-file faster_rcnn_fabnetv3a_C4.yaml —input input1.jpg —output output1.jpg

在訓練和評估方面，D2Go本身基于detectron2工具包實現，因此在訓練之前，需要按照detectron2的說明設置內置數據集。

而具體如何用預訓練模型進行推理、訓練一個D2go模型、將模型導出到int8，Facebook也提供了詳細的入門示例。

更多詳情，不妨戳進文末鏈接，親自上手嘗試~

傳送門

開源地址：
https://github.com/facebookresearch/d2go

Facebook博客：
https://ai.facebook.com/blog/d2go-brings-detectron2-to-mobile/