概述
最近了解了Mask R-CNN的简单使用，于是决定再熟悉一下它训练自定义模型的流程。最近天天做抗原，有很多现成的训练素材，就打算搞一个能识别抗原试剂的模型吧。由于本小区缺乏阳性素材，就没做阴性阳性的区分了。下面是示例图，基本上把4个抗原试剂都检测并切割出来了。
训练流程
训练主要分一下步骤
- 收集素材图片，分成2组，train和val，用于训练和模型验证
- 给素材图片进行标记，并将标记结果保存的train和val的目录
- 使用Mask R-CNN进行训练
训练完，使用最终的model对全新的图片进行识别，验证效果。接下来分别详述每个步骤
素材图片
我一共收集到了37张抗原检测图，train组分了30张，val组分了7张。按照下面的结构组织数据
这个完全是参考官方balloon的目录结构，这样我们可以修改很少的代码，就可以直接开始训练。其中test目录是用来训练完自测的一些图片，不会参与训练。
素材的标记
标记数据我使用的是VGG Image Annotator，他是一个html本地文件，简单易用，就是保存文件方面不太便捷，对入门来说还是不错的。每个图片都单独标记上抗原的边界，不得不说，标记这活费手又费眼。标记完就可以导出json，放到train和val目录下。train目录下是30张图片的标记json，val则是7张图片的标记json。为了减少代码改动，json的文件名需要是via_region_data.json
使用Mask R-CNN进行训练
拷贝官方samples中的balloon.py，只需要简单修改即可开始训练
ROOT_DIR调整到根目录，我的直接就是./- 全文替换balloon为kangyuan
- 下载coco的训练模型文件，将
COCO_WEIGHTS_PATH指向它
开始训练吧
python balloon.py train --dataset=./datasets/kangyuan --weights=coco
复制代码如何配置正确的环境依赖，可以看[这里](如何使用GPU训练Mask-RCNN - 掘金 (juejin.cn))
训练完毕后，可以在./logs/kangyuanxxxxxxxxx的目录中找到30个Epoch的模型，直接使用第30个即可。
如果你还不知道如何使用Mask R-CNN模型，可以看这里哦