Mask_RCNN训练自己的数据，其中Labelme的使用说明

#2018/07/03 更新

制作好训练集之后，如何进行训练？戳这里：

Mask_RCNN训练自己的数据

#2018/06/29 更新

这个版本的Mask_rcnn精度和速度都没有FAIR的detectron好，同一个数据集，detectron要高出 至少20%的精度，而且由于框架的特性，detectron速度也要快得多~~要不要了解一下如何把自己的数据转换为detectron所需的coco格式？需要的同学点这里：

https://blog.csdn.net/qq_15969343/article/details/80848175

#2018/06/04 更新

使用官方的权重只检测特定的类别看这里：

Mask_RCNN：使用COCO权重进行特定类别预测（只标记出你需要的类别）

#2018/05/22 更新

使用训练好的Mask_RCNN模型进行预测看这里：

Mask_RCNN：使用自己训练好的模型进行预测

#2018/05/04 更新

由于labelme的数据预处理过程还是太繁琐，现在换成了类似于COCO数据集注释的方式（JSON文件）：

Mask_RCNN训练自己的数据，制作类似于COCO数据集中所需要的Json注释

#以下为原文

该Mask_RCNN版本为基于：Python3，Keras，TensorFlow，我使用的具体版本为：

• Python 3.6.3
• TensorFlow 1.7
• Keras 2.1.5
• PyQt5  5.9.2
• Labelme 2.8.0

Mask_RCNN来自matterport，地址为：

点击打开链接

使用的标记工具为Labelme,地址如下：

点击打开链接

安装完Labelme之后，直接在CMD窗口输入labelme,即可打开：

点击view下面的高级模式，可以控制图像显示的大小：

点击Create_Polygon在图像上标记需要的东西，并命名：

保存该标注，可以得到一个.json文件，该文件包含了图像文件本身以及标注的对象框，打开该文件，可以看到其中包含的内容：

如何打开json可以查看我的这篇博客：

https://blog.csdn.net/qq_15969343/article/details/79817354

该json需要转换为训练程序需要的Mask数据，此时在CMD窗口输入以下指令（以刚才生成的json示例，你只需要把路径转换为json文件所在的路径）即可转换：

labelme_json_to_dataset C:\Users\Administrator\Desktop\8433365521_9252889f9a_z.json

此时可以得到以json文件名而命名的一个文件夹，打开该文件夹，可以看到里面包含了五个文件：

img.png(原图);

info.yaml;

label.png;

label_names.txt;

label_viz.png

可以看到本来标记的只有两类，但是打开标签可视化文件，可以看到自动加了背景，所以是1+2=3类,打开label_viz.png可见：

但是在训练的时候肯定是多个数据，不可能一个一个的挨着转换，所以肯定要批转换这些json:

linux下，使用如下命令：

str1="json路径"
str2=".json"
for((i=1;i<图片数量;i++))
do 
str3=${i}
labelme_json_to_dataset ${str1}${str3}${str2}
done

windows下，使用如下命令：

for /r 路径 %i in (*.json) do labelme_json_to_dataset %i

而转换后的label.png是其中非常重要的掩码文件，打开却是一片黑，这是什么情况？出BUG了？

其实，这是因为labelme将类别的像素值从1开始赋值，比如刚才的3类分别赋值0，1，2，因为值都很小，因此看着都是黑的；将图片使用matlab读入可以看到如上面所述：

我们可以将这些掩膜的像素值做一个映射，从而可以清楚的看到：

而从上面matlab的截图，可以清楚看到掩码标签为16位存储,我们需要将16位转8位,关于16位转8位,请关注我的另外一篇博客：

点击打开链接