本文仅仅是自己实现过程的笔记记录，仅仅用来交流的。
在网上大量搜集资料后，实现Mask-RCNN，但是过程中还是出现了很多很多的问题，所以将过程记录如下，方便日后学习。
一、实验前准备
1. COCO数据集
COCO的 全称是Common Objects in COntext，是微软团队提供的一个可以用来进行图像识别的数据集。MS COCO数据集中的图像分为训练、验证和测试集。
COCO数据集现在有3种标注类型：object instances(目标实例)， object keypoints(目标上的关键点)， and image captions(看图说话)，使用JSON文件存储。
2. 环境搭建
本文采用github上Mask-RCNN代码，网址：https://github.com/matterport/Mask_RCNN
安装要求按照必要的环境
Python 3.6，TensorFlow 1.8-gpu，Keras 2.1.6（这些版本是我实验中的版本）和其他常见软件包requirements.txt。
二、制作数据集
这里我们需要利用labelme来生成json文件以及yaml文件等。
1. 安装labelme
win10+python3
在cmd中使用pip安装，
pip install pillow
pip install pyqt5
pip install labelme
安装成功之后，在python安装目录下Scripts目录下可以找到labelme，如下图所示：
2. 制作数据集
双击labelme.exe可以打开绘制mask的界面，然后通过打开图片可以自己绘制，但需要注意的是如果一张图片中有很多应该标记相同标签的掩码，那么标签命名为a1，a2……以此类推。
这时需要将json文件装成dataset
在cmd中执行
需要调用的就是labelme_json_to_dataset.exe，后面加上json文件存储的路径，如上图我的路径在桌面。
执行之后，可以看到在json路径下多出了一个文件夹，里面内容如下图所示：
三、准备训练
Mask-RCNN中Mask_RCNN/samples/shapes/train_shapes.ipynb提供了如何使用自己的数据集来训练，所以我们将主要利用这个文件来训练自己的数据集，但需要更改一部分代码。我将train_shapes.ipynb拷贝下来，放置在Mask-RCNN根目录。我把代码放在https://download.csdn.net/download/yql_617540298/10546011，如有需要请下载。
如何使用服务器的gpu在本机上打开ipython过程可以参考之前的博文，地址：
https://blog.csdn.net/yql_617540298/article/details/80933242。
开始运行
（1）error1
第172行，这是需要调用os里的listdir()，更改代码：
imglist = os.listdir(img_floder)
（2）error2
from PIL import Image
（3）error3
这是由于我的图片的尺寸不一样大小，而我在代码中将图片尺寸设定为640*480，所以需要将图片的尺寸统一处理一下，使用python resize()很快可以处理完成。
（4）error4
这是由于缺少这个依赖，所以解决方案是import yaml。
（5）error5
这又是由于python2和python3的问题，将model.py中re.fullmatch()改为re.match()，重新运行，发现可以训练了。
但是执行了一段时间后，发现又报错了。
（6）error6
这是由于我计算错了，NUM_CLASSES = 1 + 3 # background + 3 shapes这是原始代码，而我这里假设有4类，那么就是需要写成NUM_CLASSES = 1 + 4。
改过之后，发现可以正常训练了。
（7）如果是python2可能出现的问题
如果需要使用python2训练，那么在python3上可以建立一个虚拟环境，或是直接使用python2的环境训练，
如果是python2，出现了错误提示util.py中import urllib.request没有request：
pip install request，但仍旧报错，发现是因为python版本的问题，更改代码from urllib2 import urlopen。