一、源码和数据集的准备

获取git开源项目代码

https://github.com/matterport/Mask_RCNN

一下载2.1的前三个文件，和2.0的第一个h5文件，coco.h5是预训练权重，也放入源码

 

项目文件结构如下：

samples/logs:训练模型保存的位置

配置好环境。尽量它用啥版本就安装什么版本。Requirements

遇到问题先到git中的问题，搜索。

二、使用

项目文件代码很多！！！

核心文件model.py

utils.py辅助小方法

先samples/ballon.py/logs/balloon.py

训练配置参数

train

--dataset=../../balloon

--weights=coco

测试配置参数

splash

--weight=./logs/balloon20191023T1451/mask_rcnn_balloon_0030.h5  #训练好的模型或者别人的模型

--image=../../balloon/val/14898532020_ba6199dd22_k.jpg

三、原理

FPN层的作用

R_CNN中仅使用最后一层特征图进行特征提取，但是顶层特征中忽略了小物体的一些信息使得检测效果并不好，这该如何改进？

FPN:金字塔网络

FPN思想：将多个阶段特征（卷积之后得到特征，先掌握Resnet）图融合在一起，这就相当于有了高层的语义特征，也就有了低层的轮廓特征。

FPN层的作用:
Resnet101的五个阶段
不改变特征图大小的层归为一个阶段
每次抽取的特征都是每个阶段的最后一层的输出
问题:特征图大小会发生变化，如何融合呢?

五个损失函数