Detectron2爲Facebook基於Detectron重構的目標檢測和分割等視覺任務的代碼庫，代碼鏈接進入
筆者最近基於MMDetection的代碼沒有取得一個好的結果，打算再看一下Detectron2結果如何。以下是筆者的配置：
GPU R2070S
Centos7
cpu i5
需要先安裝Anaconda3
簡要介紹下配置流程：
1 創建detectron2的虛擬環境（儘量配置清華源可參照可以加速我們的安裝）
conda create -n detectron2 python=3.7
2 進入虛擬環境
conda activate detectron2
3 安裝Pytroch（儘量配置清華源參照，不然很慢！！！）
conda install cudatoolkit=10.1 # 我的 cuda版本爲10.1.243(最新的10.1驅動) 所以用10.1，如果是具體的10.1.105等，需要指明版本，這個是個cuda的工具包，安裝後，我們在安裝torch 和 torchvision，網速可以的話，很快，前提是配置了清華源
conda install pytorch torchvision # 默認安裝的最新版的torch 以及與其相配的torchvision 我這裏時 1.5 滿足該項目的torch要求
4 配置COCOAPICentos7安裝方法 // Windows10安裝方法
5 下載源碼（clone or download 下載）git下載有時候比較慢，所以推薦直接下載壓縮包，解壓就行
解壓下載的 zip文件，unzip Detectron2-mater.zip
6 編譯
cd detectron2-mater
pip install -e .
會安裝很多包，等一會兒即可
【注意】在官網Install.md有這樣一個表格，其實他是下載已經編譯過的文件，和以上的 pip install -e .一致，其實不推薦使用，因爲下面有標註說他可能不適配一些新的項目，這個需要注意！儘量用源碼安裝
7.測試
以上步驟安裝完成後，到底該項目能不能用呢？這就需要我們進行測試，如果測試過程中沒有問題，一般訓練自己的數據集也不會有問題，我的下篇就是講如何訓練自己的數據集。
【注】以下圖爲例，這個圖是我從一位博主處拷來測試的
將以上圖片保存於demo文件夾下，然後運行測試指令：
python demo.py --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml \
--input input1.jpg --output . \
[--other-options]
--opts MODEL.WEIGHTS detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl
這個是官方的測試指令，加了個output .這個主要是爲了讓經過推斷的圖像輸出在根目錄下，input1.jpg 爲我們自定義的圖像名稱，這個指令運行時，會先從模型保存網站上加mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl 這個模型，然後會進行測試，如果沒有MODEL.WEIGHTS那個變量，系統也會下載一個模型，但是那個模型爲空模型，測試時，源圖像會照本輸出，所以儘量下載mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl 這個模型，然後我們運行後，下載完模型後，很快看到下圖：
這就測試成功了，可以使用該框架訓練自己的數據了，但是訓練自己的數據集，該模型有些須講究，請看我下篇文章！謝謝大家！