2021/8/23 寫在前面
若你的應用場景里，對象分布比較稀疏，即不易出現(xiàn)相互重疊率高/擁擠的情況，那么請?zhí)^這里，直接從分割線后看，按本篇 tf1.0.5+keras2.1.6 配置即可 ( ?? ω ?? )y

若存在擁擠檢測，則請看一下下面這段：
擁擠檢測可能需要將 nms 改進為 soft-nms
本篇只是使用 tf1.0.5 + keras2.1.6 組合成功運行 maskrcnn 源碼（源碼本身使用 tf1.x 方法實現(xiàn)）
若需要改用 soft-nms，則需要使用 tf1.15 及以后版本中封裝的方法tf.image.non_max_suppression_with_scores，親測可用組合為 tf2.2.0 + keras2.3.0

因此有需要的朋友，可結(jié)合本篇與后來的 tf2.x記錄
cpu上使用區(qū)別在于tf、keras版本、源碼修改部份（tf1.x與2.x在方法上存在差異）；
gpu上使用的區(qū)別更大，在上面這些修改基礎上，還需要改用cuda10.1.243+cudnn7.6.5配置，且安裝包是tensorflow-gpu
所以如果使用場景有區(qū)別，最好一開始就確認需要的組合，否則后期就 很麻煩orz

總之 祝你順利 ( ?? ω ?? )y

關于soft-nms的一點簡單介紹
nms為非極大值抑制，當多個候選框存在相互重疊超過一定閾值時，nms原做法是只保留置信度最高的一個框，因此在對象擁擠的時候容易出現(xiàn)漏檢
soft-nms的做法更為柔和，降低重疊率高的框的置信度，更適用擁擠場合

---

以下是tf1.0.5+keras2.1.6 運行源碼的記錄

這里主要記錄最近自己使用maskrcnn訓練、檢測實例分割的一些內(nèi)容，可能不是很清晰，如果有需要的可以直接留言補充，互相學習:)

簡單梳理一下，Mask_RCNN文件夾下的mrcnn為主要的內(nèi)容，實際調(diào)用的例子在sample文件夾下，直接使用如coco文件夾下的coco.py進行相應修改，即可進行自己需要的訓練、檢測。

下面是第一次嘗試訓練成功的記錄
1、使用conda創(chuàng)建python3.6環(huán)境
最推薦最推薦！使用conda環(huán)境
創(chuàng)建python3.6環(huán)境，并激活進入環(huán)境，接下來的所有動作都是在環(huán)境中進行的。

2、使用tensorflow1.5.0、keras2.1.6包
tensorflow（后面簡稱tf）、keras包之間有版本相關性，具體版本相互對應可以參見一些列舉了各個版本關系的整理博文。
這里用的是tf1.5.0+keras2.1.6，絕對穩(wěn)定且適配，親測最推薦的組合qwq
tf1.5.0+keras2.1.6組合沒有出現(xiàn)任何與kerasAPI相關的錯誤。之前也有嘗試過其他組合，但多少都出現(xiàn)了奇怪的報錯提示，查找方法也多是建議修改tf版本，那keras版本也要進行相應修改。最后兜兜轉(zhuǎn)轉(zhuǎn)回到了1.5.0+2.1.6組合。

安裝來源：
tf：
pip install不可行，目前下載提示只能安裝2.*，需要自己前往網(wǎng)頁下載，指路：
https://pypi.org/project/tensorflow/1.5.0/#files
網(wǎng)址上修改版本1.5.0為其他版本號即刻前往不同版本，tensorflow改為tensorflow-gpu即刻前往下載gpu版本。
下載時注意環(huán)境的python版本、平臺版本，如這里需要的是python3.6、windows上的版本，點擊即可下載whl文件。

下載好后運行如下命令即可完成 tf1.5.0 安裝。

pip install whl文件存放路徑

keras：

pip install keras==2.1.6

3、準備數(shù)據(jù)集
? 這里可能很多人會不一樣，尤其是訓練的文件夾結(jié)構(gòu)，根據(jù)自己的代碼安排路徑即可

這里使用的是labelme進行的數(shù)據(jù)集圖片標注，得到原圖片文件、與原圖片同名的標注json文件
lebelme版本4.5.9
在Mask_RCNN文件夾下創(chuàng)建datasets文件夾，在datasets下面再創(chuàng)建train文件夾放訓練集文件，val文件夾放驗證集文件。
將標注結(jié)果的原圖、json圖片分為兩類：做訓練的、做驗證的，比例可以自己來定，一般做訓練占多數(shù)。
做訓練的放入datasets/train文件夾下，做驗證的放入datasets/val文件夾下即可，訓練數(shù)據(jù)集準備完成。

注意點：
1、json文件中的imagePath項內(nèi)容最好全部寫作：圖片名稱+后綴
也就是說不要保留路徑，或者路徑中絕對不要出現(xiàn)中文與返回上級目錄的相對路徑寫法../，否則讀取時報錯
2、json中imagePath的后綴，注意與圖片對應(.jpg/.JPG/.png)
3、如果圖片大小過大，需要等比例縮放圖片+json里記錄的坐標。
否則如4000*6000這樣過大的圖片在讀入時會報錯，建議統(tǒng)一寬度為1080，高度等比縮放，json中所有（點坐標、圖片信息、圖片高度、寬度等）都要修改
4、注意檢查點標注是否有超出圖像像素范圍的。
這里不知道前面人在做標注時出了什么情況，有這種問題，超出邊界有1像素~30像素不等。將超出數(shù)值統(tǒng)一為邊界值后再使用labelme查看框明顯變形且偏移，所以舍棄了這部分
5、注意是否有點數(shù)=1的框，可能是標注時的錯誤，需要舍棄

中途有查到另一種訓練集制備方法，提到了四個文件夾結(jié)構(gòu)，如果這里提出的這種方法不適合的話可能那種會是適合的。
指個路：mask rcnn訓練自己的數(shù)據(jù)集

4、準備coco權(quán)重文件（可選）
這一步也可以不做準備，第五步嘗試訓練時可以直接實從網(wǎng)絡上進行下載。
文件名為mask_rcnn_coco.h5
權(quán)重文件名均以.h5為后綴，自己訓練生成的權(quán)重文件也會是.h5后綴。
該權(quán)重文件下載可前往各處獲取，原作者也有給出，另外還有針對balloon等的權(quán)重文件。
獲取后放在Mask_RCNN目錄下即可

5、嘗試訓練
5.1、主代碼文件修改，如balloon.py
各個路徑修改“

• 根目錄路徑（即Mask_RCNN目錄路徑，可以使用從當前文件開始的相對路徑）
• 權(quán)重文件路徑
• log文件夾路徑（可能需要自己創(chuàng)建在Mask_RCNN目錄下）

重寫的Config類內(nèi)，如balloon.py中的BalloonConfig類：

• NAME修改；

• NUM_CLASSES修改為目標檢測種類數(shù)量+背景1類，如這里只檢測一類物品，就設為 1+1

Dataset類是繼承utils而來，需要修改load_shape（這里方法名可能不一樣，如balloon.py中是load_balloon方法）里的self.add_class，改為自己需要檢測的種類。（這里不需要背景類background）

5.2、運行、可能存在的報錯的處理方法
根據(jù)如下命令，按需修改中文文本部分為個人需要即可運行

python 你的主文件.py train --dataset=前面創(chuàng)建的datasets文件夾路徑 --weights=coco

命令解讀：
python 文件.py時運行指定文件，如氣球的測試樣例那就是python balloon.py，這個大家肯定都知道 : )
train是指定當前為訓練模式，具體的前往查看代碼過程就很清楚了；
–datasets是指定存放了訓練集、驗證集圖片文件的目錄位置；
–weight為權(quán)重文件，可以直接改為權(quán)重文件位置或 last，訓練時會對權(quán)重文件進行修正，得到新的權(quán)重文件存放在log目錄下。
像此處指定為coco，代碼中也指定了一個coco所在的文件路徑，若此處沒有權(quán)重文件，就會根據(jù)傳入的是coco而直接從網(wǎng)上進行權(quán)重文件下載，一般挺快的，所以第四步不做準備也是可以的。
指定為 last 適用于以前進行過訓練且想要在此基礎上進行訓練的情況。

5.2.1、若提示無法找到 mrcnn
mrcnn是在Mask_RCNN文件夾下自帶的，并不需要pip Install mrcnn，若已經(jīng)運行了pip install的可以直接使用pip uninstall mrcnn來卸載。
在代碼最前面引入包的地方加入如下代碼進行mrcnn目錄的引入：

import sys sys.path.append("這里需要改成你的Mask_RCNN目錄路徑")

如，這里是在win10下的路徑，linux上從/home開始即可：
import sys
sys.path.append(“F:\pig\code\Mask_RCNN”)

5.2.2、其他的包引入問題
根據(jù)提示進行相應的pip install即可
特殊一個提示skimage的，需要使用如下命令，且需要0.16.2版本，否則訓練過程會出現(xiàn)如https://blog.csdn.net/qq_39483453/article/details/118598535?spm=1001.2014.3001.5501這樣的報錯。

pip install scikit-image==0.16.2

這里特意將mrcnn的報錯寫在前面，避免大家多走一步?jīng)]用的owo

5.2.3、提示一個說str類型沒有decode('utf-8)相關的錯誤
根據(jù)錯誤提示的decode所在語句位置，在decode('utf-8)前面加上.encode(‘utf-8’)，即改為.encode(‘utf-8’).decode(‘utf8’)即可。
印象里就topology.py文件里的3個地方需要修改，也可以直接運行、報錯、ctrl+點擊報錯位置、加上encode即可。

6、win10上運行訓練可能會在Epoch 1/這一出輸出卡住一會兒，稍微等待即可。keras2.1.6不會出現(xiàn)持續(xù)卡住的情況，請放心。

7、Ubuntu18.04、16.04服務器上想要運行gpu版本
強烈強烈建議直接搞一個帶顯卡驅(qū)動、cuda9.0配driver384以上（這里用了440.64.00）配cucnn7.0.5的操作系統(tǒng)組合進行
這里有一堆的版本對應關系qwq
tf1.5.0/tf-gpu1.5.0+keras2.1.6需要cuda9，cuda9需要cucnn7+gcc4.8，cuda9只支持Ubuntu16.04、17.04（但也有說將Ubuntu18.04gcc降為4.8就可以用了）
gcc降級：可以通過版本控制update-alternatives選擇gcc4.8為自動模式來實現(xiàn)，指路：https://blog.csdn.net/qq_39483453/article/details/118355784?spm=1001.2014.3001.5501
總之這里最推薦這個組合

8、自測可用的配置
說一下這里成功運行起來的配置：
gpu：Tesla P4
deriver：440.64.00
cuda：9.0.176
cudnn：7.0.5
tf-gpu：1.5.0
keras：2.1.6
以及其他運行提示缺失的包
更多配置GPU運行的記錄在另一篇里，關于查看cuda版本的nvcc -V的坑：指路

9、gpu上運行的語句
如：

CUDA_VISIBLE_DEVICES=0 python3 你的文件.py splash --weights=權(quán)重文件路徑 --image=要檢測的圖片路徑

大致的意思就是：在序號為0的GPU上，指定權(quán)重文件與待檢測圖片路徑，以檢測模式運行你的文件
開頭的CUDA_VISIBLE_DEVICES=0指的是使用GPU序號，這個可以在nvidia-smi命令的輸出中看到你的gpu序號，也可以先人為設置序號，這里可以百度相關方法
splash是檢測模式，這個根據(jù)你的文件里匹配的字符串可以自己更改；如果要訓練那就改為train
權(quán)重和前面一樣可以直接用coco、last這樣的，也可以指定權(quán)重h5文件路徑
權(quán)重文件、圖片文件路徑都可以使用從運行文件路徑的相對路徑

其他的問題目前沒遇上，之前倒是浪費了很多的時間在tf、keras版本問題、嘗試搞gpu運行問題、整理數(shù)據(jù)集格式按照其他人的教程處理16位->8位代碼最后發(fā)現(xiàn)原來自己的就是8位，再到現(xiàn)在發(fā)現(xiàn)其實只需要原圖片+json文件即可，走了一堆彎路。
另外需要注意json文件里的imagePath字段與圖片文件名稱、后綴一致，之前由于數(shù)據(jù)標注回收經(jīng)手了太多人導致當時出現(xiàn)了很多數(shù)據(jù)集的問題，如前文描述需要多方面檢查。

---

2021/7/20

目前進行了在4核/8核CPU、8gGPU上的訓練、檢測等

這里再記錄一些tips：
1、能搞gpu就搞gpu，gpu處理速度明顯快于cpu：
直觀對比感受：（4核效率低于8核不做記錄）
一個epoch：gpu需要1min40s左右，8核cpu需要1h40min左右
同一張圖檢測：gpu低于1s，8核cpu需要10s左右

2、實際感受耗時中可能有一大部分花費在加載權(quán)重文件上
如果只檢測一張圖可能感受差異不大，這是由于在檢測初始，需要進行權(quán)重文件導入消耗較長時間。這里gpu上大概需要60s左右，cpu上速度快一些，導致兩邊跑出來gpu耗時110s、cpu耗時80s，仿佛cpu來的快。但只要進行實際檢測步驟耗時記錄就能看出來實際檢測速度的差異，在處理多圖時更加明顯。只有在開始時需要耗時進行權(quán)重導入處理第一張圖，后續(xù)輪詢文件夾進行其他圖片處理就相當快了。

3、對于遮擋導致目標分割為多塊情況的標注方法：
這里的結(jié)論是：盡量不要把一個物體分割成多塊進行標注，這樣會導致各部分被檢測為單個物體，導致檢測結(jié)果中目標物體數(shù)目多于實際物體數(shù)目
對于遮擋分割為多塊的情況，將遮擋物作為目標上可能出現(xiàn)的圖案標注在一起來教給模型，測試結(jié)果要好于分割開標注教給模型的結(jié)果
所以還需要酌情考慮，但一個標準需要遵守：一次學習材料要統(tǒng)一標準，比如統(tǒng)一將遮擋物框入，或統(tǒng)一不框入，或框入哪一類的遮擋，避免歧義

…

總結(jié)

以上是生活随笔為你收集整理的记录maskrcnn训练：训练集制备、tensorflow+keras包安装、gpu运行推荐组合、soft-nms使用的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。