detectron2

用配置组合模型，快速训练检测分割模型

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署计算机视觉 🍴 复刻 7939 🐛 待处理 601 👀 关注 394

GitHub ↗

GitHub 星标 ★ 34984

维护状态较活跃

是否开源开源

定价模式 🏷️完全免费开源免费，Apache 2.0 许可证

项目预览

项目数据

分类计算机视觉

开发团队facebookresearch

GitHubhttps://github.com/facebookresearch/detectron2

定价模式🏷️完全免费

价格说明开源免费，Apache 2.0 许可证

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Python

GitHub 星标★ 34984

上线时间2019-09-05 00:00:00

代码更新2026-10-27

仓库体积6.8 MB

本站数据更新2026-11-15

维护状态较活跃

收录时间2026-09-30

浏览次数1

项目介绍

Detectron2 是 Meta AI（原 Facebook AI Research）开源的计算机视觉算法平台，基于 PyTorch 构建，用于目标检测、实例分割、语义分割、关键点检测等视觉识别任务。它把主流检测与分割模型（如 Faster R-CNN、Mask R-CNN、RetinaNet、FCOS、Panoptic FPN 等）统一到模块化架构中，用户可通过配置文件组合骨干网络、区域提议、检测头与数据增强，无需从零实现。项目提供 COCO 等数据集的训练与推理脚本、预训练模型库、评估工具和可视化能力，并支持分布式训练、混合精度与模型导出。相比早期 Detectron（Caffe2 版），它完全基于 PyTorch，更易调试和扩展，适合研究者复现论文与工程师搭建检测分割流水线，是工业界与学术界广泛采用的视觉基线框架。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-09-30 · 当前星标 ★ 34984

使用教程

难度：进阶约 10 分钟部署方式：库/依赖 5 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

Python 环境（Detectron2 是以库形式使用的 Python 项目，README 未给出具体版本要求）
PyTorch（项目基于 PyTorch 构建）
可访问 GitHub 与 detectron2.readthedocs.io 官方文档的网络
如需 GPU 加速或分布式训练，需按官方文档准备匹配的 CUDA 环境

安装与启动步骤

1克隆项目仓库

把 detectron2 源码下载到本地，后续按官方文档从源码安装或作为库引入到自己的工程中。
```
git clone https://github.com/facebookresearch/detectron2.git
```
2查阅官方安装文档

README 正文没有给出任何安装命令，只提供安装文档链接，安装方式与依赖以该文档为准。
3准备 PyTorch 环境

先按 PyTorch 官方说明装好与机器 CUDA 匹配的 PyTorch，再在同一环境中安装 detectron2。
4进入仓库目录

切换到克隆下来的源码目录，便于按官方安装文档在源码根目录执行后续步骤。
```
cd detectron2
```
5跑通入门示例

打开 Getting Started 文档或官方 Colab Notebook，运行推理示例，了解配置、预训练模型与可视化用法。