本文僅僅是自己實現過程的筆記記錄，僅僅用來交流的。
在網上大量蒐集資料後，實現Mask-RCNN，但是過程中還是出現了很多很多的問題，所以將過程記錄如下，方便日後學習。
一、實驗前準備
1. COCO數據集
COCO的 全稱是Common Objects in COntext，是微軟團隊提供的一個可以用來進行圖像識別的數據集。MS COCO數據集中的圖像分爲訓練、驗證和測試集。
COCO數據集現在有3種標註類型：object instances(目標實例)， object keypoints(目標上的關鍵點)， and image captions(看圖說話)，使用JSON文件存儲。
2. 環境搭建
本文采用github上Mask-RCNN代碼，網址：https://github.com/matterport/Mask_RCNN
安裝要求按照必要的環境
Python 3.6，TensorFlow 1.8-gpu，Keras 2.1.6（這些版本是我實驗中的版本）和其他常見軟件包requirements.txt。
二、製作數據集
這裏我們需要利用labelme來生成json文件以及yaml文件等。
1. 安裝labelme
win10+python3
在cmd中使用pip安裝，
pip install pillow
pip install pyqt5
pip install labelme
安裝成功之後，在python安裝目錄下Scripts目錄下可以找到labelme，如下圖所示：
2. 製作數據集
雙擊labelme.exe可以打開繪製mask的界面，然後通過打開圖片可以自己繪製，但需要注意的是如果一張圖片中有很多應該標記相同標籤的掩碼，那麼標籤命名爲a1，a2……以此類推。
這時需要將json文件裝成dataset
在cmd中執行
需要調用的就是labelme_json_to_dataset.exe，後面加上json文件存儲的路徑，如上圖我的路徑在桌面。
執行之後，可以看到在json路徑下多出了一個文件夾，裏面內容如下圖所示：
三、準備訓練
Mask-RCNN中Mask_RCNN/samples/shapes/train_shapes.ipynb提供瞭如何使用自己的數據集來訓練，所以我們將主要利用這個文件來訓練自己的數據集，但需要更改一部分代碼。我將train_shapes.ipynb拷貝下來，放置在Mask-RCNN根目錄。我把代碼放在https://download.csdn.net/download/yql_617540298/10546011，如有需要請下載。
如何使用服務器的gpu在本機上打開ipython過程可以參考之前的博文，地址：
https://blog.csdn.net/yql_617540298/article/details/80933242。
開始運行
（1）error1
第172行，這是需要調用os裏的listdir()，更改代碼：
imglist = os.listdir(img_floder)
（2）error2
from PIL import Image
（3）error3
這是由於我的圖片的尺寸不一樣大小，而我在代碼中將圖片尺寸設定爲640*480，所以需要將圖片的尺寸統一處理一下，使用python resize()很快可以處理完成。
（4）error4
這是由於缺少這個依賴，所以解決方案是import yaml。
（5）error5
這又是由於python2和python3的問題，將model.py中re.fullmatch()改爲re.match()，重新運行，發現可以訓練了。
但是執行了一段時間後，發現又報錯了。
（6）error6
這是由於我計算錯了，NUM_CLASSES = 1 + 3 # background + 3 shapes這是原始代碼，而我這裏假設有4類，那麼就是需要寫成NUM_CLASSES = 1 + 4。
改過之後，發現可以正常訓練了。
（7）如果是python2可能出現的問題
如果需要使用python2訓練，那麼在python3上可以建立一個虛擬環境，或是直接使用python2的環境訓練，
如果是python2，出現了錯誤提示util.py中import urllib.request沒有request：
pip install request，但仍舊報錯，發現是因爲python版本的問題，更改代碼from urllib2 import urlopen。