Mask RCNN测试过程经验总结

在做Mask RCNN测试图片的过程中遇到了太多问题 总结一下

1.Dataset数据集

源代码train_shapes.py中给的是ShapesDataset，实际上这是生成一个简单形状（正方形/三角形/原型）的数据集

我们需要将它修改成自己想要测试的数据集

个人建议根据自己的数据集命名，比如我是对于树木的检测，就将其命名为TreeDataset

我的修改方式是将训练文件coco.py中的CocoDataset改为TreeDataset，并创建一个test_shape.py作为测试文件，同时将class里面的方法都拿到test_shape.py中，后续可能会有用到
之后调用自己的TreeDataset数据集就行：

    # Validation dataset
    dataset_val = TreesDataset()
    dataset_val.load_trees("验证集所在路径","val", year="2014", auto_download=False)
    dataset_val.prepare()
 

2.加载ground truth

original_image, image_meta, gt_class_id, gt_bbox, gt_mask =  modellib.load_image_gt(dataset_val, inference_config, image_id, use_mini_mask=False)

3.测试结果可视化

源码中已经给出了可视化的方法：

visualize.display_instances(original_image, r['rois'], r['masks'], r['class_ids'], class_names, r['scores'])
 

如果我们想要在测试图片上显示一些面积等数据，就可以在display_instances方法中添加修改一些代码

我是想显示一些面积数据，就从IoU计算的方法里拿了mask面积的计算方法

pre_mask1 = np.reshape(masks > .5, (-1, masks.shape[-1])).astype(np.float32)
pre_mask_area = np.sum(pre_mask1, axis=0)
 

这里有一个需要注意的地方，因为在test_shape.py中的ShapesConfig有一个IMAGE_MAX_DIM = 1280参数

这是将我们输入的测试图片缩放成1280，所以如果想要显示真实数据，要把数据按比例缩放回去