Mask_RCNN入门（二）—— 训练自己的数据集

写在前面

和Mask_RCNN入门（一）—— 跑通代码一样，本文将列出自己参考的教程，重点介绍注意点和踩的坑。
本文主要参考教程：Mask R-CNN tensorflow 训练自己的数据

废话不多说，按照教程开始实践

step1：使用labelme标注好图片

关于labelme的安装和使用，这里不再赘述，请参考：图片标注工具Labelme的安装及使用方法，当然有几个小建议：

• 建议单独创建一个conda环境，或者conda的base环境，用于labelme包的安装
  因为这样可以所有的conda环境都可以使用此环境下的labelme，不用每个环境都装一遍，我是单独创建了一个名为label的conda环境用于labelme包的安装。
• 建议将labelme的启动写成一个bat脚本
  这样免得每次启动labelme都要conda activate相应环境，激活，比较麻烦，我的bat脚本内容如下：

@echo.
@echo ***进入conda命令行，并直接切换到labelme环境***
@echo.
@echo.
@echo.
CALL C:\ProgramData\Anaconda3\Scripts\activate.bat C:\ProgramData\Anaconda3\envs\labelme
@echo.
@echo.
@echo.
@echo ***启动labelme***
@echo.
@echo.
@echo.
::不知道为啥，直接labelme就会陷入死循环，换成labelme.exe
labelme.exe

这样每次双击bat即可启动labelme：

接下来就是使用labelme标注好要训练的图片，原始图片和json单独放置，这里不再赘述：

step2：批量转化json文件

单个json文件的转化，参考：labelme安装与使用，但这里坑：

• 坑1：Anaconda/3envs/labelme/Scripts文件夹下没有label_json_to_dataset.exe
  只有labelme_json_to_dataset.exe，所以转化单个json文件的命令应该为：

C:/ProgramData/Anaconda3/3envs/labelme/Scripts/labelme_json_to_dataset xxx.json

(labelme_json_to_dataset和json文件路径根据自己机器位置修改)

• 坑2：无法生成yaml
  应该是版本原因，我是用的labelme_json_to_dataset.exe转化后的数据中没有info.yaml，经过查资料labelme：缺少生成"info.yaml"文件知修改labelme/cli下的json_to_dataset.py文件（这是labelme_json_to_dataset.exe的源文件）在我的电脑位置为：

C:\ProgramData\Anaconda3\envs\labelme\Lib\site-packages\labelme\cli

按照资料中修改，之后就可以正常生成info.yaml

• 坑3：批量转化的代码跑不通
  这里是我的批量转化的代码：

import os
path = r'C:\Users\apple\Desktop\labelme\json'  # path是你存放json的路径
json_file = os.listdir(path)
for file in json_file:
    os.system("C:\ProgramData\Anaconda3\envs\labelme\Scripts\labelme_json_to_dataset.exe %s" % (path + '/' + file))

其中的labelme_json_to_dataset.exe和json位置根据自己机器修改。下面是结果：

转化后的json和原json文件在一个文件夹下，单独一个xx_json文件：

step3：新建train_data

按照[教程[(https://blog.csdn.net/doudou_here/article/details/87855273)直接跟着做。
项目目录下，新建directory目录结构如下：

其中pic放入标注的原图，json放入labelme标注得到的所有json文件，labelme_json放入转化后的json文件，cv2_mask放入每个labelme_json文件下的label文件。
其中，前三个直接copy过来就可以，但cv2_mask要重新命名，翻看每个转化之后的json文件夹可以发现，里面的掩膜图片名字都为label.png：

需要将label.png命名为对应的“文件名.png”格式，建议使用代码实现，下面这是我的代码（其中的文件路径根据自己需要修改）：

import os
import shutil
filename = "C:/Users/apple/Desktop/labelme/json/"  # 存放json转化得到的文件夹名称，需要保证没有隐藏的文件夹
fileList = os.listdir(filename)

"""
抽取json转化得到的5个文件中的label.png，并重新命名
"""
for i in range(len(fileList)):
    path = filename + fileList[i];
    # 如果不是文件夹，跳过
    if os.path.isfile(path):
        continue
    no = fileList[i][:-5]   # 从文件夹上取出文件名
    mask_source = path + "/label.png"
    mask_target = "train_data/cv2_mask/{}.png".format(no)  # 命名为“文件名.png”
    shutil.copy(mask_source, mask_target)  # 利用shutil直接copy过去

注意，很多教程都会提示label.png是16位的，而训练（要用cv2处理）需要使用8位的，所以需要对label.png进行转化才能使用，但是我参考的Mask R-CNN tensorflow 训练自己的数据说得很明白，labelme升级以后转化得到的label.png就是8位的，不用转换，教程也说明：打开的图片是彩色的就说明已经是8位的了，这一点我想还是做到有理有据比较好：

• 查看图片位深度
  图片 —— 属性 —— 详细信息，以我的第一张图片为例，查看label.png：
  
  很明显，就是8位的。
• 8位和16位png看起来有什么区别
  为了看清楚，专门网上找了代码对上图中8位的label.png进行了转化，下面分别是8位和16位图片：
  8位
  
  
  
  16位：
  

step4：新建train.py

按照教程在项目目录下新建train.py，内容不再赘述，直接copy即可，经实测，修改的地方按教程来即可。
在之前创建的conda环境下，进入项目目录，直接：

python train.py

即可开始训练，不一会儿可以看到项目目录下多了logs目录：

这个h5文件就是我们下面进行预测用到的模型。

step5：新建test.py

同样在项目目录下新建test.py（教程中名字为fortest.py），内容直接copy即可，但经实测，如果只按教程中修改h5模型路径和测试图片路径，运行test.py 会报错：

这是因为就和train.py一样，在：

需要按自己训练集修改。修改后再运行，报错：

这是因为还有一处需要修改：

除了保留“BG”外，后面放上自己训练的label。运行，OK：

一些建议

• 成功跑通一个训练过程以后，以后可以直接copy项目进行其他的训练
  这样后面的修改的地方很少，基本就是：

1. train_data文件夹
2. train.py中的NUM_CLASSES，self.add_class()和label[i].find
3. test.py中的h5路径，测试图片路径，NUM_CLASSES和class_names
   这样也可以使用统一的运行conda环境，labelme工具等