一句话结论：Meta AI（原Facebook AI Research）开源的下一代目标检测和分割框架，基于PyTorch，支持目标检测、实例分割、全景分割、关键点检测、旋转框检测等，模型库丰富，模块化设计易于扩展，是研究级和工业级视觉项目的优秀选择。
Detectron2
开源 完全免费开源，Apache 2.0协议 目标检测实例分割Meta开源研究级
★★★☆☆
综合 3.9 / 5
多维评分
| 易用性 | ★★★☆☆ 3.0 |
| 稳定性 | ★★★★☆ 4.0 |
| 性能 | ★★★★☆ 4.5 |
| 生态 | ★★★★☆ 4.5 |
| 性价比 | ★★★★☆ 4.5 |
| 国产化 | ★★★☆☆ 3.0 |
技术属性
| 运行平台 | Windows、Linux、macOS |
|---|---|
| 开发语言 | Python、C++ |
| 支持协议 | 无(算法库) |
| 授权方式 | 开源（完全免费开源，Apache 2.0协议） |
适用场景
- 实例分割
- 全景分割
- 旋转框检测(遥感/文本)
- 研究项目
- 需要高度定制的视觉项目
不适用场景
- 快速原型(YOLOv8更简单)
- 不熟悉PyTorch的团队
- 边缘端极简部署
它是什么
Detectron2是Meta AI（原Facebook AI Research）开源的下一代目标检测和分割框架，是Detectron的PyTorch重写版本。它支持目标检测、实例分割、全景分割、关键点检测、旋转框检测等多种视觉任务，提供了丰富的预训练模型库，采用模块化设计，易于扩展和定制，是研究级和工业级视觉项目的优秀选择。
核心能力
- 多任务支持：目标检测、实例分割、全景分割、关键点检测、旋转框检测。
- 丰富模型库：Faster R-CNN、Mask R-CNN、RetinaNet、Cascade R-CNN等经典模型。
- 模块化设计：基于LazyConfig配置系统，模型组件可灵活组合替换。
- PyTorch原生：基于PyTorch开发，易于调试和扩展。
- 旋转框检测：支持旋转边界框，适合遥感、文本检测、工业零件定位等场景。
使用要点
- 实例分割首选：如果需要像素级分割（Mask R-CNN），Detectron2比YOLOv8更成熟。
- Apache 2.0协议：完全开源，可免费商用，无AGPL限制。
- 学习曲线：比YOLOv8复杂，需要理解配置系统和模型结构。
- 研究级质量：FAIR出品，代码质量高，大量论文基于Detectron2。
常见问题
Detectron2 是免费的吗？怎么收费？
Detectron2 的授权方式为「开源」。计费方式：完全免费开源，Apache 2.0协议。
Detectron2 能跑在哪些系统？支持哪些 PLC/设备协议？
运行平台：Windows、Linux、macOS。支持通讯协议：无(算法库)。
Detectron2 适合什么规模和类型的项目？
适合：实例分割、全景分割、旋转框检测(遥感/文本)。不建议：快速原型(YOLOv8更简单)、不熟悉PyTorch的团队。