1，调试ballon的时候：
提示：integer argument expected, got float
网上提示的是：由于python3，需要将”/“改成”//“.但是我使用的就是python2.但是对我来说没有用
大神帮忙调试：
这里就是，将padding后面的那个”）“给调整到下一行，就可以了。格式问题导致的。
2，调试coco的时候，出现mrcnn出现问题
他精确到model.py里面的Mask-RCNN里面的assert（tf<=1.3）,具体的语句我忘记了，大概就是tensorflow的版本问题。
因此我就查看了一下tenssorflow的版本问题，
cd ~
python
import tensorflow
import tensorflow as tf
tf.__version__
就可以查看TensorFlow的版本了。返回断言assert就是判断返回一个true或者false。
3，还有就是使用这个github中有很多的使用感悟：
（1）github中有很多的英语
（2）一个项目中可能有很多的应用。每一个文件夹里面可能都有一个readme。
（3）在这个项目中有release，相关的资料可以在里面下载
（4）里面还有一些issue里面是别人的问题，还有相关的回答，我们可以 从别人的问题中找到答案。
（5）在使用这个github的时候，其实是不一定完全适用于我的电脑，所以是需要调试的。
————————————————————————————————————————————————————————
————————————————————————————————————————————————————————
我是分割线————————————————————————————————————————————————————————————————————————————————————————————————————————————————
二、
尝试运行inspect_balloon_model
这里面写的是关于pull request的作用和使用方法
参考连接：https://www.cnblogs.com/-walker/p/6093277.html
出现的问题与解决：
1，由于tensorflow的版本版本问题
解决方案是在issue里面搜索得到的https://github.com/matterport/Mask_RCNN/issues/23
增加了一条语句V3.0就好了
2，在加载权重的时候，出现keras不可以加载的问题
修改：就是将里面的technology全都改成saving。依然没有好，就关闭之后，重新打开jupyter notebook就好了
参考连接：https://github.com/matterport/Mask_RCNN/issues/694
3,一开始代码里面写的是weights_path = model.find_last()[1]
使用上次训练的model，然后就一直在报错。于是果断的换成了自己在网上下载好的，别人已经训练好的模型。
（其实，心里还是害怕出错的）
4，报错,目前还没有解决
5，报错之后解决不了，查找了github里面的issue，百度以及stackflow都没有查到答案，具体的语句我也看不懂。所以，决定，先看一下前面的。理解一下。
关于，这个问题。在bing上搜索，发现https://github.com/raghakot/keras-vis/issues/116
参考链接：https://www.jianshu.com/p/c2120a084c22
https://blog.csdn.net/junmuzi/article/details/78357371
（1）config = balloon.BalloonConfig()
这种就是在这个路径下面有一个ballon的文件，然后，里面有一个函数或者是一个类叫做BalloonConfig，这样config就相当于对应一个类或者一个函数了。一般是类，因为下面还有在他的基础上写的函数
(2）对于modellib这个文件感兴趣，但是没有找到。。。
（3）关于RPN（region proposal network 区域候选网络）
参考连接一枚：https://blog.csdn.net/lanran2/article/details/54376126?from=singlemessage
之前的RCNN,Fast-RCNN等物体检测架构中，用来提取候选框的方法是selective search，比较耗时
Faster RCNN=RPN+Fast RCNN
关于RPN的理解中，有一个判断框里面，是否有物体，以及，框与原图之间的偏移。但是原图的坐标到底是怎么回事呢？
我来理解一下：
1，RPN的输入就是Feature map
2，然后使用的sliding window进行卷积，得到H*W个向量，每一个向量都是256维的。得到256维的向量之后，我们还需要进行两次的全连接，得到2K个分数（物体还是背景），4K个坐标（就是x,y,w,h）
3，feature map与原图是对应的，每一个点都对应原图上的K个框（锚盒anchor boxes）。然后，每一个框的长宽比是预先设定好的。
RPN网络会生成anchor，然后会有相应的值，应该就是那个IoU吧，只是大于0.7的是postive ancors，小于0.3的是negtive anchors，在中间的是nerual，被排除在训练中，视为0。有点不理解
先收藏网址一枚：https://blog.csdn.net/u011974639/article/details/78483779?locationNum=9&fps=1
其中涉及到的refine anchor又是什么鬼？？？
NMS：非最大值抑制non-maximum suppression
ROI:region of interest 就是感兴趣区域
sliding window：滑动窗口是什么
mini mask:保存的是物体的mask，而不是整张图片的mask。
FPN：feature pymaid network就是特征金字塔：参考链接：https://blog.csdn.net/u014380165/article/details/72890275
这个就是多层独立的进行预测。
但是之前使用的都是经过上采样，多次融合到最后一层，然后使用最后一层进行预测。
复制一下他的分开的步骤：
1，RPN
（1）RPN Predict
2，Proposal Classification
（1）proposal classification
（2）step by step detection apply bounding box refinement 得到更精确的边界框 去除分数比较低的检测，每一个都使用非最大抑制
3，genetating masks
(1)mask targets
（2）predict mask
下面的可视化激活，没有运行出来，就不抄了。这部分的问题解决，可以使用google在查月以下，并且在输入层修改相应的参数，试一下