MaskRCNN训练自己的数据集 小白篇

本文旨在帮助对代码无从下手的小白训练自己数据集，分享一些自己遇到的坑&解决方案，以及一些方便大家制作数据集的代码。
附成品代码：download.csdn.net/download/weixin_43758528/11965024

参考博客见下文链接。

博主电脑配置：win10 + GTX1050Ti + cuda9.0 + cudnn7 + tensorflow-gpu1.5.0（配置见下文链接）
博主使用jupyter notebook对直接对源码进行更改，方便大家修改代码。

预先准备

maskrcnn配置教程：https://blog.csdn.net/chenmoran0928/article/details/79999073
注：win10若遇到cuda9安装不上的情况（显示NVIDIA驱动程序与此Windows版本不兼容），请将win10版本升级至1803及以上，并在NVIDIA官网https://www.geforce.cn/drivers安装自己显卡对应的最新驱动。

mask rcnn训练自己的数据集：https://blog.csdn.net/qq_29462849/article/details/81037343
注：该博客有些地方一带而过，像博主一样的小白可能会有诸多疑问。接下来我列举一些我曾经遇到的问题。

正文

数据集制作

labelme制作数据集方法：https://blog.csdn.net/u012746060/article/details/81871733
注：当你成功生成 .json 文件后想进行转换，可能会发现上文给出的转换代码不能使用（报错显示没有labelme_json_to_dataset.exe文件）。如果你遇到了这个问题，可以试试如下代码：

import os
path = 'D:/label'  # path为json文件存放的路径
json_file = os.listdir(path)
os.system("activate labelme")
for file in json_file: 
    os.system("labelme_json_to_dataset.exe %s"%(path + '/' + file))

博主用以上代码成功实现了转换。

数据集格式：

json文件夹下存放labelme生成的json文件
pic文件夹下存放原图
labelme_json文件夹下存放json文件转换生成的文件夹
cv2_mask文件夹下存放mask文件

何为mask文件？ 打开json转换而来的文件夹，里面的label.png文件即为mask文件。
新版labelme能看到标注的mask（类似下图的红色区域），则此文件可直接使用（反之若图片全黑，则必须利用代码对图片进行修改）。

mask文件需要重命名为原图的名字，如test.jpg/png对应的mask文件需要修改为test.png。
人工操作比较复杂，此处给出博主使用的代码（需要先完成除cv2_mask外所有步骤）：

#! /usr/bin/env python
# coding=utf-8
import os
import shutil
import time
import sys
import importlib
importlib.reload(sys)


def copy_and_rename(fpath_input, fpath_output):
    for file in os.listdir(fpath_input):
        for inner in os.listdir(fpath_input+file+'/'):
            print(inner)
            if os.path.splitext(inner)[0] == "label":
                former = os.path.join(fpath_input, file)
                oldname = os.path.join(former, inner)
                print(oldname)
                newname_1 = os.path.join(fpath_output,
                                         file.split('_')[0] + ".png")
                #os.rename(oldname, newname)
                shutil.copyfile(oldname, newname_1)


if __name__ == '__main__':
    print('start ...')
    t1 = time.time() * 1000
    #time.sleep(1) #1s
    fpath_input = ".../train_data/labelme_json/" #...为train_data文件夹地址，按自己的地址修改
    fpath_output = ".../train_data/cv2_mask/"
    copy_and_rename(fpath_input, fpath_output)
    t2 = time.time() * 1000
    print('take time:' + str(t2 - t1) + 'ms')
    print('end.')

运行后即可得到对应的文件。
（若报错split(’_’)[0]，则先删掉split命令运行一次，再恢复原代码运行一次，就不报错了。玄学）

代码修改

博主使用sample中的train_shapes.ipynb文件进行修改。（参考https://blog.csdn.net/l297969586/article/details/79140840/）

1、修改ROOT_DIR

修改为MaskRCNN根目录（以防更改后的train_shapes.ipynb被移动到其他地址）

补充： from PIL import Image

2、修改配置

将NUM_CLASSES修改为1+N（背景+标签数）。如你的数据集中标注了2种物体，则N=2 。
修改IMAGE_MIN_DIM为你的数据集图片中最小维度
修改IMAGE_MAX_DIM为最大维度

3、修改训练代码：参考https://blog.csdn.net/l297969586/article/details/79140840/
（1）删除dataset中前两个模块的所有代码（仅保留Load and display random samples）
（2）将参考文章中”△4、重新写一个训练类 “内所有代码复制下来
（3）根据自己标签的名称和数量，修改函数load_shapes中的 Add_classes
（4）将函数load_shapes中，图中所示内容替换为以下代码

			filestr = imglist[i].split(".")[0]
            mask_path = mask_floder + "/" + filestr + ".png"
            yaml_path=dataset_root_path+"/labelme_json/"+filestr+"_json/info.yaml"

（5）根据自己标签的名称和数量，修改函数load_mask中 if labels[i].find("…")!=-1: labels_form.append("…")

4、代码主体修改：参考文章同上
（1）将参考文章中”4、代码主体修改“内所有代码复制下来
（2）将各folder地址改为对应地址（如dataset_root_path 改为 dataset_root_path = os.path.join(ROOT_DIR, “train_data”)），同理更改img_folder和mask_folder
（3）修改width和height为自己图片的宽和高
（4）修改函数load_shapes中的宽和高与上一步一致

5、开始测试代码吧！

常见报错

1、class_ids = class_ids[_idx] IndexError: boolean index did not match indexed array along dimension 0; dimension is 0 but corresponding boolean dimension is 128
出现类似此错误的原因有很多，所以请依次检查以下内容：
（1）mask文件是否正确。
（2）配置中NUM_CLASSES是否修改。
（3）上文“代码修改”第三条中（3）（5）是否正确修改。

2、缺少pillow
安装PIL即可

3、找不到指定模块…xx/Shapely
pip install shapely

参考文章：
[1]: https://blog.csdn.net/chenmoran0928/article/details/79999073
[2]: https://blog.csdn.net/qq_29462849/article/details/81037343
[3]: https://blog.csdn.net/u012746060/article/details/81871733
[4]: https://blog.csdn.net/l297969586/article/details/79140840/
[5]: https://blog.csdn.net/u012746060/article/details/82143285