Detectron系統實現了最先進的物體檢測算法https://github.com/facebookresearch/Detectron
，包括Mask R-CNN。 它是用Python編寫的，支持Caffe2深度學習框架。
不久前，FAIR才開源了語音識別的工具wav2letter，戳這裏看大數據文摘介紹《快訊 | Facebook開源語音識別工具包wav2letter》。
這一系列工具的開源，將使更多研究人員能使用到Facebook的平臺，進一步擴大Facebook人工智能實驗室的影響力。
針對Detectron的開源，研究員Ross Girshick發表了一篇博客，具體介紹了該開源平臺的性能。
Detectron 項目於2016年7月啟動，旨在創建一個基於 Caffe2 的快速、靈活的物體檢測系統。經過一年半的發展，Detectron 的代碼庫已趨於成熟，並支持了很多內部項目，比如：Mask R-CNN 和 Focal Loss for Dense Object Detection（ICCV 2017 - Marr獎項和最佳學生論文獲獎項目）。
Detectron 支持的算法為計算機視覺關鍵任務（比如實例分割）提供了直觀的模型，並在近年來社會上取得的視覺感知系統的巨大成果中發揮了關鍵作用。
除了研究，Facebook 許多團隊使用 Detectron 平臺來訓練各種模型，模型可以部署在雲端和移動設備上，應用在增強現實等領域。
我們希望通過開源Detectron平臺，讓我們的研究盡可能開放，並加速全球實驗室的研究。隨著其發布，研究人員能使用FAIR人員每天使用的同一軟件平臺，重現我們的研究結果。
Detectron介紹
Detectron的目標是為物體檢測研究提供高質量、高性能的代碼庫。 它旨在靈活、快速地實施和評估新穎的研究內容。 Detectron包括以下物體檢測算法的實現：
Mask R-CNN
RetinaNet
Faster R-CNN
RPN
Fast R-CNN
R-FCN
使用以下主幹網絡體系結構：
ResNeXt{50,101,152}
ResNet{50,101,152}
Feature Pyramid Networks (用 ResNet/ResNeXt)
VGG16
所有代碼均已發布至GitHub，大家可以到這裏下載：
https://github.com/facebookresearch/Detectron
素材來源：
https://research.fb.com/facebook-open-sources-detectron/
https://research.fb.com/downloads/detectron/
Detectron系統實現了最先進的物體檢測算法https://github.com/facebookresearch/Detectron