用Mask-RCNN训练自定义大小的数据集

         Mask-RCNN自动获取训练集中图像的长度和宽度,然后用于训练。

一、目前情况

用Mask-RCNN训练自己的数据集时,需要制定图片的长度和宽度,即

IMAGE_MIN_DIM = 448
IMAGE_MAX_DIM = 640

而在Mask_RCNN/mrcnn目录下model.py文件中第1815行到1819行代码

h, w = config.IMAGE_SHAPE[:2]
        if h / 2**6 != int(h / 2**6) or w / 2**6 != int(w / 2**6):
            raise Exception("Image size must be dividable by 2 at least 6 times "
                            "to avoid fractions when downscaling and upscaling."
                            "For example, use 256, 320, 384, 448, 512, ... etc. ")

需要将图像处理成指定长宽比例的图像然后才可以用于训练,并且训练集中的图像需要长度和宽度都需一致。

若训练集中的图像有长度和宽度不同时则不能训练,这样极不方便。

二、更改Mask-RCNN代码

在训练数据集的代码train_shapes.ipynb中,在load_shapes()中添加更改代码:

for i in range(count):
            # 获取图片宽和高
            filestr = imglist[
  • 3
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 21
    评论
使用Mask-RCNN时,通常需要自定义训练数据集以便模型可以在您的特定领域或任务中进行有效的目标检测和分割。 自有数据集的下载通常需要以下步骤: 1. 收集数据:首先,您需要收集要用于训练的图像数据。这些图像应涵盖您要解决的问题领域,并且应包含相应的标注信息,例如目标的边界框和分割掩模。 2. 数据标注:接下来,您需要对收集的图像进行标注。根据您的任务,您可能需要标注目标的边界框和分割掩模,或者只需要其中之一。这个过程可能需要一些专业的工具和操作,以便准确地标注目标。 3. 数据预处理:在将数据输入到Mask-RCNN模型之前,需要对数据进行一些预处理。这可能包括将图像大小调整为模型所需的输入大小、归一化图像像素值等。 4. 数据划分:为了进行训练和验证,您应该将数据集划分为训练集和验证集。通常,约80%的数据用于训练,20%的数据用于验证。 5. 数据转换:在将数据传输到Mask-RCNN模型之前,需要将数据转换为模型所需的格式。这通常涉及将图像和标注转换为相应的张量或数据结构。 6. 下载自有数据集:完成上述步骤后,您的自有数据集准备好了。您可以将其保存在本地计算机上,或者将其上传到云存储服务以便在训练期间访问。 需要注意的是,以上是自己创建和准备数据集的步骤。如果您想直接下载包含目标检测和分割标注的现成数据集,您可以在一些公开的数据集库中寻找,例如COCO、PASCAL VOC等。这些数据集中涵盖了各种不同的图像类别,并附带了目标检测和分割的标注信息,您可以直接使用它们来训练和评估Mask-RCNN模型。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 21
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

蹦跶的小羊羔

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值