曉查 發自 凹非寺
量子位 報道 | 公眾號 QbitAI

來自官方的Mask R-CNN實現終於“又”來了！PyTorch官方Twitter今天公佈了一個名為Mask R-CNN Benchmark的專案。

10個月前Facebook曾釋出過名叫Detecron的專案，也是一款影象分割與識別平臺，其中也包含Mask R-CNN。不過它是基於Caffe 2深度學習框架編寫的。這一次，在Caffe2專案併入PyTorch半年之後，Facebook換上了更受歡迎的PyTorch框架。

除了更改框架，Mask R-CNN Benchmark相比它的“前輩”Detectron，訓練速度提高了一倍。

△ Detecron效果輸出圖

Mask R-CNN Benchmark是一個完全由PyTorch 1.0寫成，快速、模組化的Faster R-CNN和Mask R-CNN元件。該專案旨在讓使用者更容易地建立一種模組，實現對圖片中物品的識別與分割。

負責這一專案的Facebook AI工程師Francisco Massa還在個人Twitter發了張自拍照，並使用新工具對圖片中的物品進行了識別，尷尬的是好像有些物件被識別錯誤：

△ Francisco Massa自拍照

第三方專案

在Facebook官方推出Mask R-CNN Benchmark之前，程式設計師們一直希望能用更流行的PyTorch取代Caffe 2實現Mask R-CNN，今年7月GitHub上有一名印度小哥完成任務。

另外，商湯和香港中文大學的多媒體實驗室也開源了一個類似專案：mmdetection。它支援Faster R-CNN、Mask R-CNN、RetinaNet等等，相比Facebook的Detecron有5%到20%的效能提升。這個模型還在2018年的COCO Detection競賽中拿下了冠軍。

那麼今天Facebook釋出的Mask R-CNN Benchmark相比前兩者有哪些優點呢？

亮點

• PyTorch 1.0編寫：RPN、Faster R-CNN和Mask R-CNN均可實現，達到甚至超出Detectron的準確度

• 快速：訓練速度是Detectron的2倍，比mmdetection高30%。

• 視訊記憶體效率更高：大約比mmdetection少使用500MB視訊記憶體

• 支援多GPU訓練與推斷

• 支援以CPU進行推斷

• 支援影象批處理：可分批分GPU對多圖進行推斷

• 提供預訓練模型：針對幾乎所有引用Faster RCNN和Mask RCNN的架構

PyTorch官方Twitter轉發了該專案，並希望mmdetection等專案都能使用一下。

安裝小貼士

使用Mask R-CNN Benchmark需要安裝以下元件：

• PyTorch 1.0

• orchvision

• cocoapi

• yacs

• matplotlib

• OpenCV（可選）

R-CNN發展歷史

R-CNN是卷積神經網路（CNN）在影象識別領域的應用，Facebook AI研究團隊在這條到道路上做出了頗多貢獻，其中不得不提一位大神：Ross Girshick。他發明了RCNN，又提出速度更快的Fast R-CNN。
2016年，微軟研究院提出了Faster R-CNN，降低了在邊框搜尋上的運算量，進一步提高了演算法的速度。
2017年，Facebook AI研究團隊又再次提出了Mask R-CNN：通過新增與現有分支並行的物件掩碼（object mask）分支，以增強Faster RCNN在邊框識別上的效能。

傳送門

Mask R-CNN Benchmark專案地址：
https://github.com/facebookresearch/maskrcnn-benchmark

印度小哥的Mask R-CNN專案地址：
https://github.com/wannabeOG/Mask-RCNN

Detecron專案地址：
https://github.com/facebookresearch/Detectron

mmdetection專案地址：
https://github.com/open-mmlab/mmdetection

推薦閱讀