mask_rcnn代码解析config.py

"""
Mask R-CNN
基础配置类.

Copyright (c) 2017 Matterport, Inc.
Licensed under the MIT License (see LICENSE for details)
Written by Waleed Abdulla
"""
#导入库
import math
import numpy as np


# 基础配置
# 不要直接使用它，而是进行子类化，将自己需要修改的地方覆盖代码相应的地方。
#定义一个基础配置的类。
class Config(object):
    """对于这个基础配置，是为了自定义配置，应用时可以创建一个子类继承它，并修改符合需要的属性。
    """
    # 下面是名称的配置，例如NAME = coco，当我们的代码在不同的实验中需要执行不同的操作时，这是很有用的。
    NAME = None  # 根据不同的实验要求修改None。

    # 使用的gpu的数量，当使用cpu训练时，数量为1
    GPU_COUNT = 1

    # 每个GPU上要训练的图像数。一个12 GB的GPU通常可以处理2张1024x1024像素的图像。
    # 根据您的GPU内存和图像大小进行调整。使用GPU能够处理的最高数字，以获得最佳性能
    IMAGES_PER_GPU = 2

    # steps_per_epoch为keras中的fit_generator函数中的参数，可以理解为每轮迭代多少次，fit_generator就是
    # 因为训练集太大而设置的自动生成batch的函数，当这轮生成的batch数达到steps_per_epoch就进行下一个epoch。
    # steps_per_epoch不需要考虑训练集大小，tensorboard会自动更新并在每个epoch结束时保存更新，此参数小意味着tensorboard更新的快。
    # 验证集也是在epoch最后记录的，而且比较花时间，所以steps_per_epoch不要设置太小，避免在验证上花大量时间。
    #按需求修改参数值
    STEPS_PER_EPOCH = 1000

    # validation_steps也是fit_generator中的参数，当validation_data为验证集生成器时，validation_steps同样是验证集一轮的迭代次数，
    # 即生成的batch数，此参数越大验证越精确，但同样训练的也越慢。
    # 在keras中，steps一般就是batchs of samples。
    #按需求修改参数值。
    VALIDATION_STEPS = 50

    # 主干网络结构，resnet50 or