[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