基于Mask R-CNN的锯齿实例分割方法

基于Mask R-CNN的锯齿实例分割方法

首先来说一说实例分割，实例分割中的分割是指根据灰度、彩色、空间纹理、几何形状等特征，把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。

实例分割方法的发展历程：

今天分享的主要是基于Mask R-CNN算法的锯齿实例分割方法，这里使用到的平台是CooVally，一款可以帮助用户快速筛选可用AI模型的平台，在此次训练中，最好的mPA为0.819。

下图是此次训练的数据样本集：

关于锯齿实例分割的标签预览：

因为锯齿分割主要是将锯片进行分割，然后识别出各个小齿轮刀片，所以标签就只有一个。

在实例分割中，我们也可以使用自己手动标注的标签：

毕竟实例分割和图像检测是有一定区别的，其区别在于：目标检测中框取目标物体的都是长方形的，而实例分割可以根据物体的轮廓进行选择框选出来。

接下来开始训练的参数设置吧！

这里我们选择了Mask R-CNN算法，每次实验迭代了20次，接下来，我所需要做的便是等待CooVally平台训练结束了，在这期间，顺便写写论文看看书~

平台结束训练后，我们来看一看页面参数吧！

总共训练5次，共耗时2小时31分，在训练列表中会看到有成功也有失败，时间长短也不一致，是因为平台会自动终止不太好的实验训练，以免造成过多的资源浪费。

在实验的详情面，还可以查看到训练损失的折线图。主要来看一下第一次训练吧，最后呈现出一条越来越接近X轴的水平线，甚至趋向于直线，代表训练逐渐收敛。

关于训练列表详情，其中最好的mAP达到了0.819，训练效果还是比较理想的，在右边的操作区，我们可以进行查看训练日志、模型转换等操作。

提一提模型转换，可以选择云端或者边端两种方式进行转换，将模型部署在不同的平台上。

关于CooVally，它支持多种应用类型：目标检测、语义分割、实例分割、图像分类等，还支持多种应用方式：在线或离线自动训练AI模型、数据标注、边缘设备SDK部署模型。

https://coovally.com/http://CooVally | 快速筛选可用AI模型

所以，快来试试吧~