[ Stack technique ]
Detectron2
La bibliothèque PyTorch de Meta AI pour la détection et la segmentation d'instances.
Detectron2 est la bibliothèque de détection d'objets et de segmentation de Meta AI, écrite en PyTorch : son model zoo fournit Faster R-CNN, Mask R-CNN, RetinaNet, Cascade R-CNN, Panoptic FPN et Keypoint R-CNN pré-entraînés sur COCO. Un dataset au format COCO s'enregistre dans le DatasetCatalog, la configuration YAML ou LazyConfig pilote l'entraînement, et les modèles s'exportent en TorchScript. C'est notre choix quand il faut des masques d'instances ou une segmentation panoptique de précision, plutôt que la seule vitesse d'un détecteur temps réel.
[ Pourquoi Detectron2 chez Dexon ]
Ce que cette techno fait bien, et pourquoi nous la mobilisons.
Usage typique : Contrôle qualité industriel, segmentation d'instances en imagerie médicale, comptage d'objets sur photo aérienne.
- 01
Model zoo : Mask R-CNN, Faster R-CNN, RetinaNet, Panoptic FPN pré-entraînés.
- 02
Détection, segmentation d'instances, panoptique et keypoints dans une même base de code.
- 03
Entraînement sur dataset COCO custom, backbones et têtes modulaires, évaluation intégrée.
- 04
Export TorchScript, licence Apache 2.0, socle de Mask2Former et Detic.
[ Technologies complémentaires ]
Les briques que nous mobilisons souvent en parallèle.
Une stack existe rarement seule. Voici les technologies que Dexon associe le plus souvent à celle-ci, par habitude de pipeline, similarité d'usage ou maîtrise interne. Cliquez sur une brique pour voir son périmètre.
[ Réassurance ]
- 0+
- projets livrés sur mesure
- 30
- ingénieurs, designers, chefs de projet
- 80 %
- issus des meilleures écoles FR
- 24 h
- délai moyen de réponse
[ Ils nous font confiance ]
Plus de 100 entreprises françaises et européennes nous accordent leur confiance.
[ Presse ]
Ils parlent de nous.
Couverture nationale par BFM Business, Le Figaro, Challenges, La Tribune et CNews. Une lecture extérieure de notre travail et de nos innovations.
