编辑丨相约机器人
在2019年，Facebook AI Research发布了Detectron2，这为开发人员提供了一种简便的方法，可将自定义模块插入任何对象检测系统。Detectron2是一个基于PyTorch的库，旨在训练ML模型执行图像分类和检测对象。为了扩展Detectron2，Facebook Reality Labs的Mobile Vision团队发布了Detectron2Go（D2Go）。
D2Go是最新的最新扩展，用于在移动设备和硬件上训练和部署有效的深度学习对象检测模型。D2Go建立在Detectron2，TorchVision和PyTorch Mobile的基础上。作为同类工具中的第一个，D2Go将允许用户将他们的模型从训练转移到移动部署。
使用D2Go进行物体检测主要取决于两个因素：
- 延迟（速度）
- 准确性
延迟是许多视觉系统面临的主要挑战。使用基于服务器或基于云的模型的设备需要花费一些时间来收集数据，将其发送到云中进行处理，然后对其进行操作。如果模型可以存在于边缘（设备本身内部）中，则可以减少延迟。
最终用户还可以通过设备上的模型获得额外的安全性和隐私权。对象识别中存在隐私问题，因为人们担心敏感数据，例如将个人图像发送到云。作为设备上的模型，D2Go可以处理数据并在设备上进行处理。
D2Go使开发进一步向前迈进了一步。可以使用可以有效执行检测和分段任务的体系结构来创建针对移动设备进行了预优化的FBNet模型。这些模型可以实现与更重要的基于服务器的模型相同的功能，并且具有更高的准确性和效率。FAIR对使用D2Go开发的基于移动设备的模型进行了一些测试；结果表明，与基于服务器的服务器相比，该产品减少了延迟，并提高了准确性。
D2Go为开发人员提供了使用PyTorch Lightning作为训练框架并利用社区现有工具的选项。
据球队，D2Go结合FBNetV3提供实例分割，高效的检测和关键点估计模型。上面保存了在资源丰富的情况下的计算，并允许此类声明在设备上运行。Facebook使用D2Go开发计算机视觉模型，在该模型中，拥有硬件感知的实时模型对于获得出色的用户体验至关重要。
资料来源：
https://ai.facebook.com/blog/d2go-brings-detectron2-to-mobile/
GitHub：
https://github.com/facebookresearch/d2go
演示：
https://github.com/pytorch/android-demo-app/tree/master/D2Go
本文仅做学术分享，如有侵权，请联系删文。
