MASK R-CNN是卷积神经网络的一种人工神经网络。它可以有效地检测图像中的对象，并为每个样本创建高质量的分割蒙版。

📻更快的R-cnn通过在其网络中增加一个额外的分支机构来扩展现有的R-cnn。

📊你可以访问我上一篇关于使用自定义数据集和更快的R-cnn的博客文章。previous blog post

与速度更快的R-ğŸ不同，掩模R-CNN是为网络输入和输出之间的逐个像素对齐(RoIAlign)而设计的。

ğŸ从零开始一步一步创建“面具R-CNN”项目；

📔在自定义数据集上逐步创建一个Mask R-CNN项目；

如果您已经有一个Mask R-CNN项目，我想谈谈在检测过程中可能出现的错误和阈值。正如我在标题中提到的，重叠框可能会导致区分对象时出现问题。如果仅对一个类和背景执行对象检测和分割，则最初设置0.9的阈值就足够了。让？euro™一起深入研究一些配置文件。

上面的代码显示了如何创建示例配置类。紧跟在STEPS_PER_EPOCH变量之后的变量DETACTION_MIN_CONFIRITY是我们的检测阈值变量。正如代码中提到的，如果以90%或更高的概率检测到图像中的对象，则会给出类名。虽然这种情况有时是好的，但有时可能会导致较差的准确性。为此，我们应该充分了解数据，选择合适的阈值。

让我们回顾一下我从Dive Into Deep™的原始文档中获取的资源。例如，假设选择了90%的检测置信阈值。因此，在此图像中，仅检测到蓝色盒子中的狗和紫色盒子中的猫。因为不幸的是，低于90%的阈值对象将不会被检测到。

掩蔽R-CNN重叠错误

如果您在Mask R-CNN项目中使用多个类，则很可能会收到与这些阈值相关的错误。我将我之前在模型训练中得到的尺寸错误添加到下面，供您查看。™

1äax�âƒGB错误1：

根据我对Stackoverlow的研究，我找到了这样一种解决方法：

ğŸ‘�âuro�ğŸ–虽然不是核心问题的补丁，但是您仍然可以通过将_idx重新分配到传入类ID的正确长度并将它们转换为numpy布尔类型来运行和训练代码。

�？ƒGB错误2/2：

另一个错误是AssertionError。在某些情况下，我们面临由Visualize函数引起的错误。最大错误来源；**无实例可显示*

🧵这种情况的解决方案非常简单。您可以通过增加图形大小来可视化遮罩，如下所示。

3äee�âƒGB错误3：

如果您的问题仍然没有得到解决，我可以推荐3个解决方案，如下所示。

在第一步中，应该降低˜‘aiax�检测阈值。

？˜‘aiax�使用的Scipy库的版本应该降级。

？˜‘aigemrcnn文件夹中的utils.py文件中的第866行应该被更改。？�’aiee�？mrcnn文件夹中的utils.py文件中的第866行应该被更改。您在代码第一行中看到的移位变量应该替换为以下行。 line 866 in the utils.py file in the mrcnn folder

ğŸ“GB这样，所有的问题都解决了。祝你健康美好的日子。

ğŸ�‰想了解更多内容，可以在gihub、youtube和twitter上关注我。GitHub YouTube Twitter