- 论文地址
- 我的 CSDN 博客 本项目使用 python3, keras 和 tensorflow 相结合。本模型基于 FPN 网络 和 resNet101 背骨,对图像中的每个目标生成 bounding boxes 和 分割 masks。
The repository includes:
- Source code of Mask R-CNN built on FPN and ResNet101.
- Training code for MS COCO
- Pre-trained weights for MS COCO
- Jupyter notebooks to visualize the detection pipeline at every step
- ParallelModel class for multi-GPU training
- Evaluation on MS COCO metrics (AP)
- Example of training on your own dataset
mask_rcnn_coco.h5:
- https://github.com/matterport/Mask_RCNN/releases/download/v2.0/mask_rcnn_coco.h5
train2014 data:
- http://images.cocodataset.org/zips/train2014.zip
- http://images.cocodataset.org/annotations/annotations_trainval2014.zip
val2014 data(valminusminival):
- http://images.cocodataset.org/zips/val2014.zip
- https://dl.dropboxusercontent.com/s/s3tw5zcg7395368/instances_valminusminival2014.json.zip?dl=0
val2014 data(minival):
- http://images.cocodataset.org/zips/val2014.zip
- https://dl.dropboxusercontent.com/s/o43o90bna78omob/instances_minival2014.json.zip?dl=0
-
参考 config.py 文件配置。
-
下面文件中 def init(self) 方法中的配置文件,基本都是来自于 config.py
-
测试看效果:
-
mask_test.py 下载好 mask_rcnn_coco.h5 模型,随便找点数据,设置好配置文件,直接运行看结果吧。
-
数据处理:
-
prepare.py 直接运行代码,将 labelme json 数据制作成 coco json 数据。
-
并将数据进行划分
-
数据训练:
-
mask_train.py 直接运行代码,观察 loss 情况。
-
mask_rcnn_coco.h5 作为预训练模型很强,训练模型会有一个很好的起点。
-
多 GPU 训练:
-
parallel_model.py: 本人没有多 GPU,这一步没做到验证,里面的代码,是沿用作者的。
-
本项目,操作上,就三板斧搞定,不搞那么复杂,吓到人。