使用 Detectron2 中的 mask-RCNN 检测建筑物轮廓

前言

  兜兜转转试了好多框架与算法，从软件再到代码，中途有许多问题，从 ArcGIS Pro 再到 Tensorflow 的 Mask-RCNN，再到 Detectron2 。

目标检测与目标分割

目标分割

  建筑物轮廓的提取属于目标分割（实例分割）的一种，与目标检测不同，不仅要框出目标所在的位置，还要以 mask 的形式框出物体的轮廓。

上图是 Detectron2 中采用 Mask-RCNN 算法提取建筑物的轮廓，包含了 mask 和 bounding box 以及 possible，当然，这仅仅是 RGB 三通道的数据训练后的结果，也可以加入更多的 channels，包括点云数据、高光谱的数据，数据量大后，也会带来一系列的问题。

  目前比较常用的算法包括 U-Net（医学图像分割的鼻祖），Mask-RCNN…

目标分割

目标检测是检测物体所在的位置，并且框出其所在的位置。

下图是 Yolov5 （目标检测）算法检测出的物体，其并没有将 mask 给标出来。
常见的算法包括 Yolo、SSD…

算法部署

Mask-RCNN 算法

  深度学习由于环境配置较为繁琐，除了常见的显卡驱动和 CUDA、CUDNN 的问题之外，还存在 Python 虚拟环境、各种 packages 的版本匹配的问题。

常见的深度学习框架通常用 Pytorch、Tensorflow 写，而 Tensorflow 的显存使用明显比 Pytorch 高，而且，Tensorflow 通常存在 tf 1.x 和 tf2.x 版本的问题，所以之前使用 tensorflow 版本的 mask-RCNN 存在许多问题，

关于 tensorflow 的 mask-RCNN 在之前的 demo 跑通已经有所记录（Colab 由于文件存于 Drive 中分享不方便，即不分享），而 tensorflow 版本的 mask-RCNN 对于 tensorflow-gpu 和 keras 的版本有较高的要求，配置起来较为麻烦，此外，其 mask 的轮廓提取相较于其他算法的提取较为不准确，所以采用其他框架（Pytorch）的 Mask-RCNN.

2. Detectron2

跑通 Demo

   Detectron2 是 facebook 研究部门的一款深度学习的综合集成框架，其包括了目标检测和目标分割的算法，其包括不同格式（coco、PascalVOC）格式的目标检测和目标分割的算法，在其 configs 文件中存在许多文件。主要就是不同算法的 yaml 文件（许可权重）

关于 Detectron2 算法，官方有一个 Colab 教程文件，在 Github 中搜索 Detectron2 ，在 Getstarted 部分中的 Colab Notebook 部分打开即可跑通官方的代码，当然，官