Mask R-CNN的代码实现

导言

这篇博客主要记录了我实现Mask R-CNN中demo的过程，及遇到问题的解决办法。源码下载地址稍后给出。
实现Mask R-CNN的demo一共需要下载以下两个文件：

1、Mask R-CNN源码

2、训练好的权重mask_rcnn_coco.h5

上面两个文件可以从网盘下载：
链接: https://pan.baidu.com/s/1qC5Rguvoyrppp4lZsa1TaQ 密码: satp

一、环境配置信息

关于基于pycharm的tensorflow环境配置在我之前的这篇博客环境配置。这里主要列出软件和各种库的版本：

1、配置信息

ubuntu 16.04
pycharm 2018.1.2
python 3.5.2
tensorflow-gpu 1.4.0
cuda 8.0. #使用nvcc -V 查看
cudnn 6.0
numpy 1.14.2
skimage 0.13.1
keras 2.0.8
scipy 1.0.1
pip 10.0.1

2、工具说明

1）、pycocotools

在Ms coco上训练数据时需要安装pycocotools，具体方法参见这个博客。

2）、关于Jupyter和Pycharm

这两个都是使用python非常方便的工具，mask-rcnn的源码是在Jupyter上跑的，而我选择的是Pycharm。所有会有部分地方的代码需要调整，主要就是从ipynb类型的文件中把代码拷出来粘贴到新的python文件中。

3、在pycharm中安装上述库

pycharm作为一个强大的IDE，上面的大部分库可以直接在pycham中安装：
file->settings->Project->project Interpreter,出现如下效果：

点击右上角的+符号，在出来的界面搜索框输入需要安装的库名称，在右下角可以选择安装的版本。一切都很方便。

二、代码结构说明

1、项目目录

首先把下载的mask rcnn源码解压到任意文件，在pycharm中新建项目，把解压后的全部文件拷贝到pycham中新建项目的根目录中。同时把训练好的权重文件mask_rcnn_coco.h5也拷贝过去。
项目结构如下：

2、文件概述

图片展示的目录结构有部分是我自己添加的代码，没有影响。
以ipynb结尾的文件是基于Jupyter的，就是code+markdown的模式。
如果想要在pycharm中运行，可以把每个ipynb类型文件中的代码拷贝出来，放到一个新建的python文件中运行。
首先介绍一下每个文件的大概作用，来源于matterport-Mask_RCNN官方教程翻译：

demo.ipynb 最简单的开始方式。展示了使用一个在MS COCO上预训练的模型在你的图片上实现图像分割。包括了在任意图片上实现图像检测和实例分割的代码。
train_shapes.ipynb 展示了怎么训练Mask R-CNN用自己的数据集。这个教程包括了一个玩具数据集来演示训练一个新数据集。
Visualize 文件主要是实现可视化的结果
inspect_data.ipynb 这个教程展示了不同的预处理步骤来准备训练数据
inspect_model.ipynb 这个教程深度解析了mask rcnn执行目标检测和语义分割的每一步。
inspect_weights.ipynb