采用Mask RCNN分割自己的数据集

1. 下载源工程代码：https://github.com/matterport/Mask_RCNN；
2. 解压，进入主文件夹，安装所需模块：

pip3 install -r requirements.txt;

3. 下载Jupyter Notebook以及coco权重：mask_rcnn_coco.h5，了解Jupyter Notebook的使用方法，采用Jupyter Notebook打开文件夹samples下的balloon或者shapes子文件夹，在web界面左上角的file下面将其download为python格式的文件；

   说明: samples文件夹下面的几个示例例程基本都有三个文件：inspect_data,inspect_model,shapes，其中第一个文件是生成数据，第二个用来检测模型，可查看分步计算的结果并展示，第三个是主文件，用来训练或者预测分割；

4. 结合shapes和balloon两个例程，在其基础上进行修改使得代码可以处理自己的数据，就是继承已有的类（mrcnn类）进行函数覆盖，使其适用于自己的data。在继承的过程中，除了sample文件夹下面的代码在改变，其他如mrcnn文件夹下面的文件都不要动。具体来说需要修改的有以下几个类：

• 类1： class BrainwebConfig(Config), 在其下面定义自己的环境配置，例如每个GPU处理的图像数目、每步迭代的次数等；

• 类2：class BrainwebDataset(utils.Dataset),继承原数据类，定义自己的类，该类需要覆盖的函数主要有两个：load_brainweb和load_mask。

  在load_brainweb函数中需要注意的主要有两个函数：add_class，add_image，前者添加类别，后者添加有关图像的信息，特别需要注意的是，在这一步并不需要导入所有图像的数据，只需要添加原始图像所在路径和有关图像的信息即可，原add_image中没有的参数都将被合并至self.imageinfo的一个dict下，以方便后续使用，比如mask数据的导入，具体代码如下图：

   # 添加图像
   for img_name in train_img_names:
       image_path = os.path.join(dataset_dir, img_name)
       image = skimage.io.imread(image_path)
       height, width = image.shape[:2]
       self.add_image("data", image_id = img_name,  path = image_path,width = width, height=height)

在load_mask函数中需要利用到self.image_info中的信息，所以load_brainweb和load_mask要配合使用；具体代码如下：

        # 添加图像
        # 以下是自己编写的读取mask的代码
        image_info = self.image_info[image_id]
        mask = np.zeros([image_info["height"], image_info["width"], 3], dtype=np.uint8)                        # 每个实例中只有3种mask
        image_name = image_info['id']
        
        root_path = '/home/work/Mask_RCNN/datasets/data/mask_train_val/label_0_255_'
        for r_num in range(3):
            mask_name = root_path + str(r_num+