Mask_RCNN入門（二）—— 訓練自己的數據集

寫在前面

和Mask_RCNN入門（一）—— 跑通代碼一樣，本文將列出自己參考的教程，重點介紹注意點和踩的坑。
本文主要參考教程：Mask R-CNN tensorflow 訓練自己的數據

廢話不多說，按照教程開始實踐

step1：使用labelme標註好圖片

關於labelme的安裝和使用，這裏不再贅述，請參考：圖片標註工具Labelme的安裝及使用方法，當然有幾個小建議：

• 建議單獨創建一個conda環境，或者conda的base環境，用於labelme包的安裝
  因爲這樣可以所有的conda環境都可以使用此環境下的labelme，不用每個環境都裝一遍，我是單獨創建了一個名爲label的conda環境用於labelme包的安裝。
• 建議將labelme的啓動寫成一個bat腳本
  這樣免得每次啓動labelme都要conda activate相應環境，激活，比較麻煩，我的bat腳本內容如下：

@echo.
@echo ***進入conda命令行，並直接切換到labelme環境***
@echo.
@echo.
@echo.
CALL C:\ProgramData\Anaconda3\Scripts\activate.bat C:\ProgramData\Anaconda3\envs\labelme
@echo.
@echo.
@echo.
@echo ***啓動labelme***
@echo.
@echo.
@echo.
::不知道爲啥，直接labelme就會陷入死循環，換成labelme.exe
labelme.exe

這樣每次雙擊bat即可啓動labelme：

接下來就是使用labelme標註好要訓練的圖片，原始圖片和json單獨放置，這裏不再贅述：

step2：批量轉化json文件

單個json文件的轉化，參考：labelme安裝與使用，但這裏坑：

• 坑1：Anaconda/3envs/labelme/Scripts文件夾下沒有label_json_to_dataset.exe
  只有labelme_json_to_dataset.exe，所以轉化單個json文件的命令應該爲：

C:/ProgramData/Anaconda3/3envs/labelme/Scripts/labelme_json_to_dataset xxx.json

(labelme_json_to_dataset和json文件路徑根據自己機器位置修改)

• 坑2：無法生成yaml
  應該是版本原因，我是用的labelme_json_to_dataset.exe轉化後的數據中沒有info.yaml，經過查資料labelme：缺少生成"info.yaml"文件知修改labelme/cli下的json_to_dataset.py文件（這是labelme_json_to_dataset.exe的源文件）在我的電腦位置爲：

C:\ProgramData\Anaconda3\envs\labelme\Lib\site-packages\labelme\cli

按照資料中修改，之後就可以正常生成info.yaml

• 坑3：批量轉化的代碼跑不通
  這裏是我的批量轉化的代碼：

import os
path = r'C:\Users\apple\Desktop\labelme\json'  # path是你存放json的路徑
json_file = os.listdir(path)
for file in json_file:
    os.system("C:\ProgramData\Anaconda3\envs\labelme\Scripts\labelme_json_to_dataset.exe %s" % (path + '/' + file))

其中的labelme_json_to_dataset.exe和json位置根據自己機器修改。下面是結果：

轉化後的json和原json文件在一個文件夾下，單獨一個xx_json文件：

step3：新建train_data

按照[教程[(https://blog.csdn.net/doudou_here/article/details/87855273)直接跟着做。
項目目錄下，新建directory目錄結構如下：

其中pic放入標註的原圖，json放入labelme標註得到的所有json文件，labelme_json放入轉化後的json文件，cv2_mask放入每個labelme_json文件下的label文件。
其中，前三個直接copy過來就可以，但cv2_mask要重新命名，翻看每個轉化之後的json文件夾可以發現，裏面的掩膜圖片名字都爲label.png：

需要將label.png命名爲對應的“文件名.png”格式，建議使用代碼實現，下面這是我的代碼（其中的文件路徑根據自己需要修改）：

import os
import shutil
filename = "C:/Users/apple/Desktop/labelme/json/"  # 存放json轉化得到的文件夾名稱，需要保證沒有隱藏的文件夾
fileList = os.listdir(filename)

"""
抽取json轉化得到的5個文件中的label.png，並重新命名
"""
for i in range(len(fileList)):
    path = filename + fileList[i];
    # 如果不是文件夾，跳過
    if os.path.isfile(path):
        continue
    no = fileList[i][:-5]   # 從文件夾上取出文件名
    mask_source = path + "/label.png"
    mask_target = "train_data/cv2_mask/{}.png".format(no)  # 命名爲“文件名.png”
    shutil.copy(mask_source, mask_target)  # 利用shutil直接copy過去

注意，很多教程都會提示label.png是16位的，而訓練（要用cv2處理）需要使用8位的，所以需要對label.png進行轉化才能使用，但是我參考的Mask R-CNN tensorflow 訓練自己的數據說得很明白，labelme升級以後轉化得到的label.png就是8位的，不用轉換，教程也說明：打開的圖片是彩色的就說明已經是8位的了，這一點我想還是做到有理有據比較好：

• 查看圖片位深度
  圖片 —— 屬性 —— 詳細信息，以我的第一張圖片爲例，查看label.png：
  
  很明顯，就是8位的。
• 8位和16位png看起來有什麼區別
  爲了看清楚，專門網上找了代碼對上圖中8位的label.png進行了轉化，下面分別是8位和16位圖片：
  8位
  
  
  
  16位：
  

step4：新建train.py

按照教程在項目目錄下新建train.py，內容不再贅述，直接copy即可，經實測，修改的地方按教程來即可。
在之前創建的conda環境下，進入項目目錄，直接：

python train.py

即可開始訓練，不一會兒可以看到項目目錄下多了logs目錄：

這個h5文件就是我們下面進行預測用到的模型。

step5：新建test.py

同樣在項目目錄下新建test.py（教程中名字爲fortest.py），內容直接copy即可，但經實測，如果只按教程中修改h5模型路徑和測試圖片路徑，運行test.py 會報錯：

這是因爲就和train.py一樣，在：

需要按自己訓練集修改。修改後再運行，報錯：

這是因爲還有一處需要修改：

除了保留“BG”外，後面放上自己訓練的label。運行，OK：

一些建議

• 成功跑通一個訓練過程以後，以後可以直接copy項目進行其他的訓練
  這樣後面的修改的地方很少，基本就是：

1. train_data文件夾
2. train.py中的NUM_CLASSES，self.add_class()和label[i].find
3. test.py中的h5路徑，測試圖片路徑，NUM_CLASSES和class_names
   這樣也可以使用統一的運行conda環境，labelme工具等