为了搞大创我都干了啥之MaskRCNN环境配置

先搬运一下自己的文章。参考了很多巨佬的文章。

http://yourcarina.com/?id=13

目录

一、软件以及文件准备：

1. 下载项目源码

2. 下载python/Anaconda

3. 下载TensorFlow   

4.CUDA ToolKit=7.4.1 CUDA=10.0

5. 下载keras    

6. 文中安装依赖项说明    参考文章9：    python requirements.txt的生成与使用    

7. Windows下安装 pycocotools

8. 下载预先训练的COCO权重   

9. 下载5K minival和35K validation-minus-minival子集。

10. VSC++2015

二、使用说明：

继续参考文章a&&主要参考文章b：Mask RCNN 实战(一)

---

一、软件以及文件准备：

        主要参考文章a：『深度应用』一小时教你上手MaskRCNN·Keras开源实战（Windows&Linux）

https://www.baidu.com/link?url=eMPspH6AU22iLtnYEG7uTtYRk7hOHQb9esrfZ7yt4rdwqvnf9XqWwsU3sDlpZ-Iv&wd=&eqid=9e0f5be80002739300000006611de43ehttps://www.baidu.com/link?url=eMPspH6AU22iLtnYEG7uTtYRk7hOHQb9esrfZ7yt4rdwqvnf9XqWwsU3sDlpZ-Iv&wd=&eqid=9e0f5be80002739300000006611de43e        以下是对文章的一些详细补充。

1. 下载项目源码

        源码网址 https://github.com/matterport/Mask_RCNNhttps://github.com/matterport/Mask_RCNN

2. 下载python/Anaconda

        笔者本来就安了。安的3.7.11，后面发现需要3.6。

        参考文章2：在Anaconda2020.02中使用python3.6    在Anaconda2020.02中使用python3.6 - 简书https://www.jianshu.com/p/bd4606db041c

3. 下载TensorFlow   

        参考文章3：win10完整Tensorflow-GPU环境搭建教程-附CUDA+cuDNN安装过程    win10完整Tensorflow-GPU环境搭建教程-附CUDA+cuDNN安装过程_XuXing的博客-CSDN博客_cuda cudnn tensorflow安装https://blog.csdn.net/weixin_43877139/article/details/100544065

        关于文章里推荐更换国内的源：

        参考文章4：conda国内源-持续更新    conda国内源-持续更新_alex1801-CSDN博客_conda 国内源https://blog.csdn.net/weixin_34910922/article/details/116721774        (亲测用北外的比较稳定无bug)

        主要注意的是CUDA和cuDNN的版本要和tensorflow对应。还有把下载下来的cudnn压缩包里面的文件按名称放到CUDA的目录下。

        所以我最后安装的是tensorflow-gpu=1.14.0

​

cuDNN Archive | NVIDIA DeveloperNVIDIA cuDNN is a GPU-accelerated library of primitives for deep neural networks.https://developer.nvidia.com/rdp/cudnn-archive

4.CUDA ToolKit=7.4.1 CUDA=10.0

    Download cuDNN v7.4.1 (Nov 8, 2018), for CUDA 10.0https://developer.nvidia.com/rdp/cudnn-archive#a-collapse7415-10

        下载cuDNN要注册（Carina2333333）

    https://developer.nvidia.com/rdp/cudnn-archivehttps://developer.nvidia.com/rdp/cudnn-archive

​

        用谷歌下载过程不知道为什么很慢。哥哥帮我弄了一下，大概就是下载了一个这个然后拖到QQ浏览器。

​

        后面发现之前用谷歌下载的CUDA文件损坏。。。谷歌辣鸡。

    

        解决方案：用QQ浏览器重新下载

        参考文章5：解决TensorFlow安装问题: Could not find a version that satisfies the requirement tensorflow：    

解决TensorFlow安装问题: Could not find a version that satisfies the requirement tensorflow_xavier_muse的博客-CSDN博客环境：win7 64  Python版本：3.7.0安装过程中提示：Could not find a version that satisfies the requirement tensorflow，很是郁闷啊，最后度娘了一下知道了就是因为Python版本的问题啊TensorFlow版本目前还不支持Python3.7版本。前几天刚升级的3.7啊，哭晕在厕所~~~解决办法：1、卸载...https://blog.csdn.net/xavier_muse/article/details/83998744

        也就是参考文章2提及的内容。已安装的TensorFlow版本目前还不支持Python3.7版本。

        还有注意启动环境的时候，先启动tensorflow，再切换到python。activate tensorflow --> python

        参考文章6：Tensorflow坑之：ImportError: Could not find ‘cudnn64_7.dll‘.

        Tensorflow坑之：ImportError: Could not find ‘cudnn64_7.dll‘._何少的博客-CSDN博客_cudnn64_7.dllhttps://blog.csdn.net/qq_37099552/article/details/105023680

        我的原因大概是cuDNN的文件没正确放到CUDA。

        参考文章7：测试TensorFlow 是否安装成功    测试TensorFlow 是否安装成功_张齐贤的博客-CSDN博客_验证tensorflow是否安装好4.测试TensorFlow通过以上步骤已经完成了安装工作，下面可以通过一个简单的程序测试TensorFlow是否安装成功。直接在CMD中键入以下代码：import tensorflow as tf sess = tf.Session() a = tf.constant(1) b = tf.constant(2) print(sess.run(a+b)) 结果: 3...https://blog.csdn.net/zqx951102/article/details/88896766

        参考文章8：Solving environment: failed with initial frozen solve. Retrying with flexible solve的解决    Solving environment: failed with initial frozen solve. Retrying with flexible solve的解决_qq_27377201的博客-CSDN博客https://blog.csdn.net/qq_27377201/article/details/107009927

5. 下载keras    

        conda install keras

6. 文中安装依赖项说明
    参考文章9：    python requirements.txt的生成与使用    

    python requirements.txt的生成与使用_徐代龙的技术专栏-CSDN博客_requirements.txt生成项目开发过程中难免少不了三方库的各种安装，python对这个场景做了一个特别的三方包安装list，一般都叫做requirements.txt 。 如果项目中使用了 virtualenv 环境，直接通过pip freeze 就可以解决，如果没有的话，可以借助 pipreqs 自动根据源码生成requirements.txt 文件两种生成方式（1）使用virtual...https://blog.csdn.net/xudailong_blog/article/details/80357482

        pip3 install -r requirements.txt使用的地方：进入Msak_RCNN项目根目录 

7. Windows下安装 pycocotools

Windows下安装 pycocotools - 简书windows下安装pycocotools包时，遇到了一大堆坑，这篇文章希望能让大家少走一点弯路。pycocotools作者压根就没考虑windows版本。 安装pycoco...https://www.jianshu.com/p/8658cda3d553

8. 下载预先训练的COCO权重   

        参考文章10：

https://github.com/matterport/Mask_RCNN/releases/download/v2.0/mask_rcnn_coco.h5https://github.com/matterport/Mask_RCNN/releases/download/v2.0/mask_rcnn_coco.h5

9. 下载5K minival和35K validation-minus-minival子集。

        在主要参考文章b中有网盘链接。

10. VSC++2015

        已经有VS 其他版本的应该可以不下载。

二、使用说明：

继续参考文章a&&主要参考文章b：Mask RCNN 实战(一)

Mask RCNN 实战(一)－－代码详细解析_ghw15221836342的博客-CSDN博客_maskrcnn代码解读Mask RCNN:（大家有疑问的请在评论区留言）如果对原理不了解的话，可以花十分钟先看一下我的这篇博文，在来进行实战演练，这篇博文将是让大家对mask rcnn 进行一个入门，我在后面的博文中会介绍mask rcnn 如何用于 多人关键点检测和多人姿态估计，以及如何利用mask rcnn 训练自己的数据集，以及mobile_net版的mask rcnn（ps:我正在做，等做完我会分享到我的g...https://blog.csdn.net/ghw15221836342/article/details/80084984/

1. jupyter notebook打的的代码请参考文章b。

2. 主要注意COCO权重mask_rcnn_coco.h5放在项目的位置。

3. 下载的5K minival和35K validation-minus-minival子集放在samples/coco/

主要修改了源代码的文件路径：

import os
import sys
import random
import math
import numpy as np
import skimage.io
import matplotlib
import matplotlib.pyplot as plt
 
# Root directory of the project
ROOT_DIR = os.path.abspath("C:\\Users\\91078\Desktop\\Mask_RCNN-master") #项目的文件夹
 
# Import Mask RCNN
sys.path.append(ROOT_DIR)  # To find local version of the library
import mrcnn.utils
import mrcnn.model as modellib
from mrcnn import visualize
# Import COCO config
sys.path.append(os.path.join(ROOT_DIR, "samples\\coco\\"))  # 导入coco数据集，即下载5Kminival和35K validataon-minus-minival子集 （放入coco文件夹中）
import coco
 
%matplotlib inline 
 
# Directory to save logs and trained model
MODEL_DIR = os.path.join(ROOT_DIR, "logs")
 
# Local path to trained weights file
COCO_MODEL_PATH = os.path.join(ROOT_DIR, "mask_rcnn_coco.h5") #下载的训练权重放入项目文件夹中
# Download COCO trained weights from Releases if needed
if not os.path.exists(COCO_MODEL_PATH):
    utils.download_trained_weights(COCO_MODEL_PATH)
 
# Directory of images to run detection on
IMAGE_DIR = os.path.join(ROOT_DIR, "images")  #测试图片