Detectron2 是 Facebook AI Research (FAIR) 基于 PyTorch 开发的下一代开源计算机视觉库，专注于目标检测、实例分割、关键点检测、全景分割等核心视觉任务。它是原 Detectron 的完全重写版，以模块化、高性能、易扩展著称，是工业界和学术界最主流的检测框架之一。
核心任务：
1、目标检测 (Object Detection)：定位图像中的物体并标注类别（如 Faster R-CNN, RetinaNet）。
2、实例分割 (Instance Segmentation)：不仅定位，还要精确分割出每个物体的像素轮廓（如 Mask R-CNN）。
3、人体关键点检测 (Keypoint Detection)：定位人体关节点。
4、全景分割 (Panoptic Segmentation)：统一处理可数物体（实例）和不可数区域（语义）。
技术底座：完全基于 PyTorch，支持动态图、易于调试、无缝对接 PyTorch 生态。 
 本次部署的模型是faster_rcnn_R_50_FPN_3x。

quay.io/ascend/vllm-ascend:releases-v0.18.0 

docker run -d -it --privileged --ipc=host --name=detectron2 --shm-size=1000g \
--device=/dev/davinci_manager \
--device=/dev/devmm_svm \
--device=/dev/hisi_hdc \
-v /usr/local/sbin:/usr/local/sbin \
-v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
-v /usr/local/Ascend/driver:/usr/local/Ascend/driver \
-v /usr/local/Ascend/firmware:/usr/local/Ascend/firmware \
-v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
-v /etc/ascend_install.info:/etc/ascend_install.info \
-v /home/z00615909/detectron2-main:/home/z00615909/detectron2-main \
quay.io/ascend/vllm-ascend:releases-v0.18.0 \
/bin/bash
docker exec -it BlendMask bash

# 必须使用昇腾适配版PyTorch，不可使用官方CUDA版本，否则无法对接NPU。
执行以下命令安装适配版本
pip install torch==2.1.0 torchvision==0.16.0
pip install torch-npu==2.1.0

# 必须使用昇腾适配版PyTorch，不可使用官方CUDA版本，否则无法对接NPU。
python -c "import torch; import torch_npu; print(torch.npu.is_available())"
✅ 正常输出：True（表示PyTorch已成功对接NPU）。

pip install opencv-python pycocotools pyyaml matplotlib setuptools>=59.8.0

export USE_CUDA=0
export FORCE_NPU=1

python -m pip install -e . --no-build-isolation
✅ 安装成功标志：终端输出“Successfully installed detectron2”，无编译报错。

模型权重下载常用的Faster R-CNN R50-FPN 3x模型为例（提供官方下载路径和命令：
（1）官方权重下载地址：
https://dl.fbaipublicfiles.com/detectron2/COCO-Detection/faster_rcnn_R_50_FPN_3x/137849458/model_final_0643bb.pkl
（2）服务器内直接下载（推荐）：
# 新建models目录，用于存放权重文件
mkdir -p models
# 下载权重至models目录
wget https://dl.fbaipublicfiles.com/detectron2/COCO-Detection/faster_rcnn_R_50_FPN_3x/137849458/model_final_0643bb.pkl -P models/

python -c "
import torch
import torch_npu
import cv2
import sys
import os

# 绕过依赖报错
try:
    import pkg_resources
except ImportError:
    class Mock:
        def resource_filename(self, *args):
            return 'configs/COCO-Detection/faster_rcnn_R_50_FPN_3x.yaml'
    sys.modules['pkg_resources'] = Mock()

from detectron2.config import get_cfg
from detectron2.engine import DefaultPredictor

# ==================== 核心：NPU 初始化 ====================
torch.npu.set_device(0)
print('✅ NPU 初始化成功：', torch.npu.is_available())

# ==================== 加载配置（不下载模型！） ====================
cfg = get_cfg()
cfg.merge_from_file('configs/COCO-Detection/faster_rcnn_R_50_FPN_3x.yaml')
cfg.MODEL.DEVICE = 'npu'
cfg.MODEL.WEIGHTS = ''  # 空路径，不下载
cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST = 0.0
cfg.MODEL.ROI_HEADS.NUM_CLASSES = 80

# ==================== 初始化模型（NPU上运行） ====================
try:
    predictor = DefaultPredictor(cfg)
    print('✅ Detectron2 模型在 NPU 上初始化成功！')
except Exception as e:
    if 'weight' in str(e).lower():
        print('✅ 模型结构已在 NPU 上加载成功（无权重不影响验证）')
    else:
        raise e

# ==================== 构造测试数据 ====================
im = cv2.imread('demo/000000000019.jpg')
if im is None:
    im = torch.randn(480, 640, 3).byte().numpy()

# ==================== NPU 推理 ====================
print('⌛ 开始 NPU 推理...')
outputs = predictor(im)

# ==================== 结果输出 ====================
"rint('='*60)输出：', outputs['instances'].shape)lasses.device)
✅ NPU 初始化成功： True
✅ Detectron2 模型在 NPU 上初始化成功！

进入在detectron2目录下产生test_input.jpg和test_output.jpg两张图片，其中test_input.jpg是构造的输入图片，test_output.jpg是实际推理输出的结果。

python -c "
import torch
import time
import numpy as np
import sys
import os

# 修复依赖缺失
try:
    import pkg_resources
except ImportError:
    class Mock:
        def resource_filename(self, *args):
            return os.path.abspath('configs/COCO-Detection/faster_rcnn_R_5_FPN_3x.yaml')
    sys.modules['pkg_resources'] = Mock()

from detectron2.config import get_cfg
from detectron2.engine import DefaultPredictor

# NPU
torch.npu.set_device(0)

# 配置（使用绝对路径）
cfg = get_cfg()
cfg.merge_from_file('/home/z00615909/detectron2-main/configs/COCO-Detection/faster_rcnn_R_50_FPN_3x.yaml')
cfg.MODEL.DEVICE = 'npu'
cfg.MODEL.WEIGHTS = ''
cfg.MODEL.ROI_HEADS.NUM_CLASSES = 80
cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST = 0.5

predictor = DefaultPredictor(cfg)

# 测试图
img = np.random.randint(0,255,(640,640,3),dtype=np.uint8)

# 预热
print('预热 NPU...')
for _ in range(5):
    predictor(img)
torch.npu.synchronize()

# 测速
N = 50
t0 = time.time()
for _ in range(N):
    predictor(img)
    torch.npu.synchronize()
t1 = time.time()

total = t1-t0
avg = total/N
fps = 1/avg

print('')
print('='*60)
print('        昇腾910B Detectron2 性能测试')
print('='*60)
print(f'测试次数 : {N}')
print(f'总时间   : {total:.2f}s')
print(f'单张耗时 : {avg:.3f}s')
print(f'FPS      : {fps:.1f}')
print(f'设备     : npu:0')
print('='*60)
"

============================================================
        昇腾910B Detectron2 性能测试
============================================================
测试次数 : 50
总时间   : 4.45s
单张耗时 : 0.089s
FPS      : 11.2
设备     : npu:0
============================================================