用于图像分割的掩模RCNN实现 - 教程

图像分割就像一种先进的分类形式。在分类中，我们曾经将图片对类进行分类。在图像分割的情况下，我们将图像的每个像素分类为不同的类

前面一个后面一个

在本文中，我们将使用Mask RCNN尝试图像分段。它＆＃39;是更快的-rcnn的继任者。我们将使用Tensorflow-GPU == 1.15进行培训。检查mask_rcnn github存储库。它在TensoRFlow框架中实现的IT＆＃39在resnet101作为默认骨干网实现。

图像分割就像一种先进的分类形式。在分类中，我们曾经将图片对类进行分类。在图像分割的情况下，我们将图像的每个像素分类为不同的类。分割的目标是简化和/或将图像的表示变为更加有意义，更容易分析的东西。

这是Python 3，Keras和Tensorflow上的掩模R-CNN的实现。该模型为图像中的对象的每个实例生成边界框和分段掩码。它基于特征金字塔网络（FPN）和Resnet101骨干网。

3. root data_folder在根目录中并按以下方式排列文件夹。将数据分为列车和val的70/30。

- data_folder - train - img1.jpg - img1.json - img2.jpg - img2.json ... - val - img3.jpg - img2.json - img4.jpg - img4.json ...

＃配置＃根据数据集和gpuimages调整_per_gpu = 2＃1 ##的类（包括背景）num_classes = 1 + 1＃背景＃通常在标记后，可以从DataSet类中设置类＃如果要测试您的模型，则可以设置您的模型， 根据您的训练数据集＃训练步骤数，更好地设置它每个epochsteps_per_per_per_pecoch = 100 导入pixellibfrom pixelib.instance import custom_seationationmodel_path =＆＃34; image_path =＆＃34; image_path＆＃34; amplic_path＆＃34; output_path =＆＃34; output_path＆＃34; secon_image = custom_seation（）semment_image.inferconfig（num_classes = 4，class_names = [＆＃34; bg＆＃34 ;,＆＃34; arduino nano＆＃34 ;,＆＃34; esp8266＆＃34 ;,＃34; raspberry pi 3＆＃34 ;,＆＃34; heltec esp32 lora＆＃34 ;]）segment_image.load_model（model_path）segment_image.segmentimage（image_path，show_bboxes = true，output_image_name = output_path） 如果您想编写文章或改进本文以CodeperFectPlus邮件给我们邮件邮件@ gmail.com