[簡介]
使用 MaskRCNN 演算法進行影像物件計數及分割,可應用於醫療影像分析、魚類影像分析、生物影像分析、先進駕駛輔助系統、自動駕駛車、工廠瑕疵檢測等。
[操作步驟及說明]
主要流程如下:
標記影像 -> 訓練影像 -> 各種影像推論
1. 1_annotation_via_json.ipynb
開啟網頁進行影像標註。
參數說明:
--port: 8801 為標註網頁所使用的埠,如果使用者該埠被佔用的話,請自行更換其他埠值
2. 2_delete_log.ipynb
刪除 log 檔資料夾。
3. 3_kill_tensorboard.ipynb
在使用 tensorboard 之前,先關閉舊有的 tensorboard 。
4. 4_train.ipynb
開始訓練。
參數說明:
--dataset: 訓練資料集路徑
--weights_path: 預訓練模型路徑
--weights_dir: 訓練模型儲存位置
--predefined_classes_txt: 類別名稱,需含 background (背景) 類別
--logs: 儲存訓練訊息的資料夾位置
5. 5_tensorboard.ipynb
開啟 tensorboard 查看訓練狀況。
看完訓練狀況後請再次執行 3_kill_tensorboard.ipynb,關閉 tensorboard。
參數:
--logs: 需和 4_train.ipynb 的 --logs 所設定的值相同
6. 6_inference.ipynb
推論影像。
參數說明:
--weights: 推論模型路徑
--image: 推論影像路徑
--predefined_classes_txt: 類別名稱,務必和訓練時所設定的值一模一樣
7. 7_evaluation_mAP.ipynb
計算影像資料夾 mAP。
參數說明:
--weights_path: 推論模型路徑
--DATA_DIR: 資料集位置
--PREDEFINED_CLASSES_PATH: 類別名稱,務必和訓練時所設定的值一模一樣
--Inference_DATA_DIR: 要計算的資料夾名稱,有 train、val 兩種,若在資料集位置中有 test 資料夾,也可設定 test
8. 8_inference_api.ipynb
使用網頁進行影像推論。若無更改 port 值,可執行 9_inference_api_browser.ipynb 來開啟網頁。
參數說明:
--port: 推論網頁所使用的埠,如果使用者該埠被佔用的話,請自行更換其他埠值
--weights_path: 推論模型路徑
--predefined_classes_txt: 類別名稱,務必和訓練時所設定的值一模一樣