用配置组合模型，快速训练检测分割模型
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。
⚠ 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。
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.git2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 detectron25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。
按官方安装文档完成安装且无报错，并能跑通 Getting Started 或官方 Colab Notebook 中的推理示例，即视为可用。
Q：为什么教程里没有 pip install detectron2 之类的安装命令？
A：因为 README 只给出了官方安装文档链接，没有写具体命令。安装方式（含编译、依赖、CUDA 匹配）请以该官方文档为准，避免照抄过期命令。
Q：想先快速看看效果，不想直接搭环境怎么办？
A：README 推荐使用官方 Colab Notebook（Getting Started 文档中给出），可在浏览器里直接体验基础推理用法，再决定是否本地安装。
Q：detectron2 能做什么任务？
A：支持目标检测、实例分割、语义分割、关键点检测，以及全景分割、DensePose、旋转框、PointRend、DeepLab、ViTDet、MViTv2 等能力。
Q：训练好的模型怎么部署？
A：README 说明模型可导出为 TorchScript 或 Caffe2 格式用于部署，具体导出流程需查阅官方文档。
Q：安装文档打不开或版本对不上怎么办？
A：请确认网络可访问 detectron2.readthedocs.io，并核对文档版本与你的 PyTorch、CUDA 版本是否匹配，必要时改用官方 Colab 环境验证。
mmdetection、YOLOv5、detectron
detectron2 是计算机视觉领域的开源项目，由 facebookresearch 开发，2019 年首次发布。
在全站 13,366 个收录项目中，它的 GitHub 星标数（34,737）位列前 2%，在计算机视觉分类的 480 个项目里位列前 3%。
项目目前处于活跃维护状态，最近一次代码更新于 2026-09-29。开源免费，Apache 2.0 许可证。
它主要面向的使用场景是：复现目标检测或实例分割论文并做对比实验。同类可对比的替代方案包括 mmdetection、YOLOv5、detectron。
modlens
开源
给纯文本编码代理装上眼睛，粘贴图片即刻获得结构化视觉证据。
The first vision plugin for DeepSeek Harness, and the vision bridge for every text-o···
opencv
开源
开箱即用的视觉算法库，搞定图像视频处理与识别
Open Source Computer Vision Library
DEIMv2
开源
用DINOv3做实时检测，又快又准，直接落地。
[DEIMv2] Real Time Object Detection Meets DINOv3
OpenCVTutorials
开源
中文 OpenCV 教程，从入门到实战，边看边跑代码
OpenCV-Python4.1 中文文档