在利用mask rcnn进行自己的数据集训练时,数据集的格式要采用coco格式,所以利用labelme自带的json_to_dataset将自己的.json文件转换。该文件所在路径如下图所示: 打开json_to_dataset.py文件,对保存路径进行修改,修改为自己转换后的路径即可。 生成的文件夹下一共包含5个文件(这里缺少了一个yaml,后面会介绍如何获取y...
最终训练索要得到的输入为一个w*h*n的ndarray,其中n为该图片中实例的个数 这里的打标的时候不要求每张图片按着类别顺序来进行打标,主要打标的区域选对类别即可。其打标后会生成一个json文件,这个文件里记录了打标的顺序,其中生成的mask图像会按打标顺序分别赋值从1开始的值。其记录的是打标顺序。 数据集 获取: 关...
>>>py_compile.compile(r'pascal_voc.py') 第三部分、训练自己的数据 终端进入py-faster-rcnn下输入: ./experiments/scripts/faster_rcnn_alt_opt.sh0 ZF pascal_voc 第四部分:demo自己刚刚生成的ZF_models ZF_faster_rcnn_final.caffemodel拷贝到data/faster_rcnn_models(删除以前生成类似的model)中。 2、...
预训练模型下载,从github上面下载coco.h5这预先训练好的模型,预先训练好的模型下载页面地址如下: https://github.com/matterport/Mask_RCNN/releases 预训练的权重的下载地址如下: https://github.com/matterport/Mask_RCNN/releases/download/v2.1/mask_rcnn_balloon.5 这个权重是气球项目训练的一个结果集合 1. 2...
训练集、测试集 DATASETS: ('airbus_2018_train',) 运行程序,开始训练 mkdir out_dir python2 tools/train_net.py --cfg configs/12_2017_baselines/e2e_mask_rcnn_R-50-FPN_1x.yaml OUTPUT_DIR out_dir 如果中途报错,查阅资料修改即可,这里不多做解释了,当时我也查了不少资料,问题也比较复杂。比如说nan...
一、数据集准备 (训练集验证集测试集的数据分别准备) 1、标注数据集 大多数人会用labelme来标注数据集,然后用labelme将每张标注图片都生成一个json文件。labelme教程网上很多,这里不再赘述。 本人由于原图的标注目标很小,用labelme标注未免不精确,所以先用PS手动标注后再写代码把标注图转换成了labelme格式的json文...
训练自己数据: 首先需要将训练集标注转化为COCO的json格式,参考的是 github.com/HaiyangPeng/ 转换完后验证是否转换正确的脚本 # 参考:github.com/cocodataset/ from pycocotools.coco import COCO import numpy as np import skimage.io as io import matplotlib.pyplot as plt import pylab pylab.rcParams['figure...
1、首先从官方下载mask_rcnn源码https://github.com/matterport/Mask_RCNN 2、当制作自己的数据集的时候,图片的大小一定要记得修改,长宽都要修改为修改为2的6次方的倍数,不然训练的时候会报错,来看源代码: 2、首先将demo.ipynb转换成demo.py,这里我顺便更改为适用于我自己数据集: ...