以下链接是个人关于detectron2（目标检测框架），所有见解，如有错误欢迎大家指出，我会第一时间纠正。有兴趣的朋友可以加微信：17575010159 相互讨论技术。若是帮助到了你什么，一定要记得点赞！因为这是对我最大的鼓励。 文末附带 \color{blue}{文末附带} 文末附带 公众号 − \color{blue}{公众号 -} 公众号− 海量资源。 \color{blue}{ 海量资源}。 海量资源。
detectron2（目标检测框架）无死角玩转-00：目录
注意，本人编写该博客的时间为 2020 / 01 / 17 ，也就是说，你现在下载的作者代码或许 \color{red}{注意，本人编写该博客的时间为2020/01/17，也就是说，你现在下载的作者代码或许} 注意，本人编写该博客的时间为2020/01/17，也就是说，你现在下载的作者代码或许 和本人的代码不一样（如果作者有更新过） \color{red}{和本人的代码不一样（如果作者有更新过）} 和本人的代码不一样（如果作者有更新过）
资源下载在安装之前，请大家从以下链接下载好detectron2源码： https://github.com/facebookresearch/detectron2
linux 环境 模块安装下载好之后呢，还是老旧的套路，阅读README.md，可以看到如下： 
进入INSTALL.md，可以看到如下： 
构建以上环境之后就可以去编译安装detectron2了，根据下面的提示： 
本人在detectron2根目录，注意不是子目录detectron2，执行如下：
pip install -e .
别少了那个点啊，安装成功之后本人打印如下： 
好了，下面我们就要进行demo测试了。
通过根目录下面的README.md，可以看到如下： 
点击进入可以看到： 
我们首先来一个最简单的版本，这列为了方便，我给大家复制了一张图像，input1.jpg 
我们把这张图片当做输入，在根目录执行如下指令：
python demo/demo.py --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml
--input input1.jpg
--output .
--opts MODEL.WEIGHTS detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl
本人把input1.jpg 放在根目录下，执行之后覆盖根目录下的input1.jpg 显示如下： 
这样我们就完成测试了，出了语义分割之外，大家还可以通过以下链接下载更多的模型，通过如下链接： 
下载好之后，更改–opts MODEL.WEIGHTS参数，指定路径重新运行即可，不如目标检测,本人测试如下： 
首先，本人是参考该链接内容进行安装： https://github.com/conansherry/detectron2
本人ancoda环境（cuda10.1）conda create -n detectron2 -y python=3.6
conda activate detectron2
conda install pytorch torchvision cudatoolkit=10.1 -c pytorch
pip install cython
pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI
pip install tensorboard
pip install cloudpickle
pip install matplotlib
然后进入 detectron2 的根目录执行：
python setup.py build develop
报错一 Traceback (most recent call last): File “setup.py”, line 12, in import Cpython ModuleNotFoundError: No module named ‘Cpython’
比较坑爹的问题，直接找到 setup.py 文件，把 import Cpython 注释掉即可，然后重新执行。
后续本人没有报错，完成打印显示如下： 
测试执行如下指令（和前面的一样，主要一下winds下 / 要替换成 \ ）：
python demo\demo.py --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml --input input1.jpg --output . --opts MODEL.WEIGHTS detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl
测试结果查看，参考 Linux 的介绍即可。
报错二 玄学报错 \color{red}{玄学报错} 玄学报错 Process finished with exit code -1073741819 (0xC0000005) 训练的时候程序莫名奇妙的退出了，调试可以发现代码在 losses.backward() 处莫名奇妙的退出。本人调试了很久，最终发现主要是需要cuda为10.1，而且 pytorch 的配置需要如下：
结语到这里为止，我们已经安装好了detectron2，并且进行了demo演示，那么接下来我们就去训练coco数据集，以及自己的数据集。
