1. NVIDIA顯示卡驅動+CUDA+CUDNN GPU平臺搭建。 （備註：cuda cudnn的版本一定要對應正確）
2. 在github https://github.com/matterport/Mask_RCNN上下載maskrcnn原始碼。要求：python3以上，keras， tensorflow深度學習框架，在ubuntu下可以用 sudo pip3 install keras

（pip3 install -i https://pypi.doubanio.com/simple/ keras）等命令下載相關python模組。

1. Maskrcnn的demo是用jupyter寫的 可以用 ipython notebook開啟 Mask_RCNN /samples/demo.ipynb（因為我不會用jupyter，於是把ipython開啟的原始碼複製出來做成了demo.py,我的附件裡面是可以執行起來的demo.py，您可以下載下來直接執行 python3 demo.py）demo.py裡面是一個檢測的例子，是隨機在images裡面選取一張圖片，然後檢測並打上掩碼。
2. 附件2是maskrcnn的coco預訓練模型，您就不用再去下載了。
3. 訓練的過程是這樣的：

1. 開啟samples/balloon/balloon.py
2. 更改第66行 IMAGES_PER_GPU = 1
3. 更改第70行 NUM_CLASSES = 1 + 3（num_classes）
4. 更改第72行 STEPS_PER_EPOCH = 50 #100 （如果GPU效能足夠可忽略）
5. 更改第90行 新增我們自己的分類

例如：self.add_class("balloon", 1, "object")

      self.add_class("balloon", 2, "lane lines")

        self.add_class("balloon", 3, "land)

1. 在128行polygons下面插入

names = [r[‘region_attributes’] for r in a[‘regions’]]

NameList = [c[“name”] for c in names]

name_dict = {‘object’:1, ‘lane lines’:2, ‘land’:3}#要和（4）中數字對應

name_id = [name_dict[n] for n in NameList]

1. 在140行下面新增class_id = name_id
2. 把標記好的圖片和標記好的json檔案放到Mask_RCNN /datasets/balloon/train裡面。標記好的驗證圖片和json檔案放入Mask_RCNN /datasets/balloon/val裡面。
3. 執行 python3 balloon.py train --dateset = /home/usr_name/Mask_RCNN/datasets/balloon --weights=coco 可以開始訓練。(coco.h5應放在Mask_RCNN/下)
4. 訓練好的權重檔案放在logs/以最近的時間戳命名的資料夾下面。

1. 標註工具我使用的是via工具，在附件三

1. 開啟via/via.html 點選add files 匯入要標記的圖片。
2. 點選attributes 輸入name 點選“+”鍵 在type一欄選擇dropdown
3. 在id裡面新增自己所需要的類別名稱如：“object” “lane lines” “land”
4. 點選左上角的 圖形—polygon region shape，標記所需要的region，然後點選左下角的toggle annotation editor為該區域選擇id類別名。

1. 標記完成後，按左上角annotation 選擇export annotation （as json）即可得到json檔案。