潮科技行业入门指南 | 深度学习理论与实战：提高篇（14）——​Mask R-CNN代码简介

编者按：本文节选自《深度学习理论与实战：提高篇 》一书，原文链接 http://fancyerii.github.io/2019/03/14/dl-book/ 。作者李理，环信人工智能研发中心vp，有十多年自然语言处理和人工智能研发经验，主持研发过多款智能硬件的问答和对话系统，负责环信中文语义分析开放平台和环信智能机器人的设计与研发。

以下为正文。

目录

• 安装

• demo.ipynb

  • 运行

  • 关键代码

• train_shapes.ipynb

  • 配置

  • Dataset

  • 创建模型

  • 训练

  • 检测

  • 测试

• inspect_data.ipynb

  • 选择数据集

  • 加载Dataset

  • 显示样本

  • Bounding Box

  • Mini Masks

  • Anchor

  • 训练数据生成器

Facebook(Mask R-CNN的作者He Kaiming等人目前在Facebook)的实现在 这里 。但是这是用Caffe2实现的，本书没有介绍这个框架，因此我们介绍Tensorflow和Keras的版本实现的 版本 。但是建议有兴趣的读者也可以尝试一下Facebook提供的代码。

安装

git clone https://github.com/matterport/Mask_RCNN.git

# 或者使用作者fork的版本

git clone https://github.com/fancyerii/Mask_RCNN.git

#建议创建一个virtualenv

pip install -r requirements.txt

# 还需要安装pycocotools

# 否则会出现ImportError: No module named 'pycocotools'

# 参考 https://github.com/matterport/Mask_RCNN/issues/6

pip install "git+https://github.com/philferriere/cocoapi.git#egg=pycocotools&subdirectory=PythonAPI"

demo.ipynb

1、运行

jupyter notebook

打开文件samples/demo.ipynb，运行所有的Cell

2、关键代码

这里是使用预训练的模型，会自动上网下载，所以第一次运行会比较慢。这是下载模型参数的代码：

COCO_MODEL_PATH = os.path.join(ROOT_DIR, "mask_rcnn_coco.h5") # Download COCO trained weights from Releases if needed if not os.path.exists(COCO_MODEL_PATH): \tutils.download_trained_weights(COCO_MODEL_PATH) 

创建模型和加载参数：

# 创建MaskRCNN对象，模式是inferencemodel = modellib.MaskRCNN(mode="inference", model_dir=MODEL_DIR, config=config)
# 加载模型参数 model.load_weights(COCO_MODEL_PATH, by_name=True) 

读取图片并且进行分割：

# 随机加载一张图片

file_names = next(os.walk(IMAGE_DIR))[2]

image = skimage.io.imread(os.path.join(IMAGE_DIR, random.choice(file_names)))

# 进行目标检测和分割

results = model.detect([image], verbose=1)

# 显示结果

r = results[0]

visualize.display_instances(image, r['rois'], r['masks'], r['class_ids'],

\tclass_names, r['scores'])

检测结果r包括rois(RoI)、masks(对应RoI的每个像素是否属于目标物体)、scores(得分)和class_ids(类别)。

下图是运行的效果，我们可以看到它检测出来4个目标物体，并且精确到像素级的分割处理物体和背景。

图：Mask RCNN检测效果

train_shapes.ipynb

除了可以使用训练好的模型，我们也可以用自己的数据进行训练，为了演示，这里使用了一个很小的shape数据集。这个数据集是on-the-fly的用代码生成的一些三角形、正方形、圆形，因此不需要下载数据。

1、配置

代码提供了基础的类Config，我们只需要继承并稍作修改：

class ShapesConfig(Config):

\t"""用于训练shape数据集的配置

\t继承子基本的Config类，然后override了一些配置项。

\t"""

\t# 起个好记的名字

\tNAME = "shapes"

\t

\t# 使用一个GPU训练，每个GPU上8个图片。因此batch大小是8 (GPUs * images/GPU).

\tGPU_COUNT = 1

\tIMAGES_PER_GPU = 8

\t

\t# 分类数(需要包括背景类)

\tNUM_CLASSES = 1 + 3 # background + 3 shapes

\t

\t# 图片为固定的128x128

\tIMAGE_MIN_DIM = 128

\tIMAGE_MAX_DIM = 128

\t

\t# 因为图片比较小，所以RPN anchor也是比较小的

\tRPN_ANCHOR_SCALES = (8, 16, 32, 64, 128) # anchor side in pixels

\t

\t# 每张图片建议的RoI数量，对于这个小图片的例子可以取比较小的值。

\tTRAIN_ROIS_PER_IMAGE = 32

\t

\t# 每个epoch的数据量

\tSTEPS_PER_EPOCH = 100

\t

\t# 每5步验证一下。

\tVALIDATION_STEPS = 5

config = ShapesConfig()

config.display()

2、Dataset

对于我们自己的数据集，我们需要继承utils.Dataset类，并且重写如下方法：

• load_image

• load_mask

• image_reference

在重写这3个方法之前我们首先来看load_shapes，这个函数on-the-fly的生成数据。

class ShapesDataset(utils.Dataset):

\t"""随机生成shape数据。包括三角形，正方形和圆形，以及它的位置。

\t这是on-th-fly的生成数据，因此不需要访问文件。

\t"""

\t

\tdef load_shapes(self, count, height, width):

\t\t"""生成图片

\t\tcount: 返回的图片数量

\t\theight, width: 生成图片的height和width

\t\t"""

\t\t# 类别

\t\tself.add_class("shapes", 1, "square")

\t\tself.add_class("shapes", 2, "circle")

\t\tself.add_class("shapes", 3, "triangle")

\t\t

\t\t# 注意：这里只是生成图片的specifications(说明书)，

\t\t# 具体包括性质、颜色、大小和位置等信息。

\t\t# 真正的图片是在load_image()函数里根据这些specifications

\t\t# 来on-th-fly的生成。

\t\tfor i in range(count):

\t\t\tbg_color, shapes = self.random_image(height, width)

\t\t\tself.add_image("shapes", image_id=i, path=None,

\t\t\t\twidth=width, height=height,

\t\t\t\tbg_color=bg_color, shapes=shapes)

其中add_image是在基类中定义：

def add_image(self, source, image_id, path, **kwargs):  image_info = { \t "id": image_id, \t "source": source, \t "path": path,  }  image_info.update(kwargs)  self.image_info.append(image_info) 

它有3个命名参数source、image_id和path。source是标识图片的来源，我们这里都是固定的字符串”shapes”；image_id是图片的id，我们这里用生成的序号i，而path一般标识图片的路径，我们这里是None。其余的参数就原封不动的保存下来。

random_image函数随机的生成图片的位置，请读者仔细阅读代码注释。

def random_image(self, height, width):

"""随机的生成一个specifications

它包括图片的背景演示和一些(最多4个)不同的shape的specifications。

"""

# 随机选择背景颜色

bg_color = np.array([random.randint(0, 255) for _ in range(3)])

# 随机生成一些(最多4个)shape

shapes = []

boxes = []

N = random.randint(1, 4)

for _ in range(N):

\t # random_shape函数随机产生一个shape(比如圆形)，它的颜色和位置

\t shape, color, dims = self.random_shape(height, width)

\t shapes.append((shape, color, dims))

\t # 位置是中心点和大小(正方形，圆形和等边三角形只需要一个值表示大小)

\t x, y, s = dims

\t # 根据中心点和大小计算bounding box

\t boxes.append([y-s, x-s, y+s, x+s])

# 使用non-max suppression去掉重叠很严重的图片

keep_ixs = utils.non_max_suppression(np.array(boxes), np.arange(N), 0.3)

shapes = [s for i, s in enumerate(shapes) if i in keep_ixs]

return bg_color, shapes

随机生成一个shape的函数是random_shape：

def random_shape(self, height, width):

"""随机生成一个shape的specifications，

要求这个shape在height和width的范围内。

返回一个3-tuple:

* shape名字 (square, circle, ...)

* shape的颜色：代表RGB的3-tuple

* shape的大小，一个数值

"""

# 随机选择shape的名字

shape = random.choice(["square", "circle", "triangle"])

# 随机选择颜色

color = tuple([random.randint(0, 255) for _ in range(3)])

# 随机选择中心点位置，在范围[buffer, height/widht - buffer -1]内随机选择

buffer = 20

y = random.randint(buffer, height - buffer - 1)

x = random.randint(buffer, width - buffer - 1)

# 随机的大小size

s = random.randint(buffer, height//4)

return shape, color, (x, y, s)

上面的函数是我们为了生成(或者读取磁盘的图片)而写的代码。接下来我们需要重写上面的三个函数，我们首先来看load_image：

def load_image(self, image_id):

"""根据specs生成实际的图片

如果是实际的数据集，通常是从一个文件读取。

"""

info = self.image_info[image_id]

bg_color = np.array(info['bg_color']).reshape([1, 1, 3])

# 首先填充背景色

image = np.ones([info['height'], info['width'], 3], dtype=np.uint8)

image = image * bg_color.astype(np.uint8)

# 分别绘制每一个shape

for shape, color, dims in info['shapes']:

\t image = self.draw_shape(image, shape, dims, color)

return image

上面的函数会调用draw_shape来绘制一个shape：

def draw_shape(self, image, shape, dims, color):

"""根据specs绘制shape"""

# 获取中心点x, y和size s

x, y, s = dims

if shape == 'square':

\t cv2.rectangle(image, (x-s, y-s), (x+s, y+s), color, -1)

elif shape == "circle":

\t cv2.circle(image, (x, y), s, color, -1)

elif shape == "triangle":

\t points = np.array([[(x, y-s),

\t\t (x-s/math.sin(math.radians(60)), y+s),

\t\t (x+s/math.sin(math.radians(60)), y+s),

\t\t ]], dtype=np.int32)

\t cv2.fillPoly(image, points, color)

return image

这个函数很直白，使用opencv的函数在image上绘图，正方形和圆形都很简单，就是等边三角形根据中心点和size(中心点到顶点的距离)求3个顶点的坐标需要一些平面几何的知识。

接下来是load_mask函数，这个函数需要返回图片中的目标物体的mask。这里需要稍作说明。通常的实例分隔数据集同时提供Bounding box和Mask(Bounding的某个像素是否属于目标物体)。为了更加通用，这里假设我们值提供Mask(也就是物体包含的像素)，而Bounding box就是包含这些Mask的最小的长方形框，因此不需要提供。

对于我们随机生成的性质，只要知道哪种shape以及中心点和size，我们可以计算出这个物体(shape)到底包含哪些像素。对于真实的数据集，这通常是人工标注出来的。

def load_mask(self, image_id):

"""生成给定图片的mask

"""

info = self.image_info[image_id]

shapes = info['shapes']

count = len(shapes)

# 每个物体都有一个mask矩阵，大小是height x width

mask = np.zeros([info['height'], info['width'], count], dtype=np.uint8)

for i, (shape, _, dims) in enumerate(info['shapes']):

\t # 绘图函数draw_shape已经把mask绘制出来了。我们只需要传入特殊颜色值1。

\t mask[:, :, i:i+1] = self.draw_shape(mask[:, :, i:i+1].copy(),

\t\t shape, dims, 1)

# 处理遮挡(occlusions)

occlusion = np.logical_not(mask[:, :, -1]).astype(np.uint8)

for i in range(count-2, -1, -1):

\t mask[:, :, i] = mask[:, :, i] * occlusion

\t occlusion = np.logical_and(occlusion, np.logical_not(mask[:, :, i]))

# 类名到id

class_ids = np.array([self.class_names.index(s[0]) for s in shapes])

return mask.astype(np.bool), class_ids.astype(np.int32)

处理遮挡的代码可能有些tricky，不过这都不重要，因为通常的训练数据都是人工标注的，我们只需要从文件读取就行。这里我们值需要知道返回值的shape和含义就足够了。最后是image_reference函数，它的输入是image_id，输出是正确的分类。

def image_reference(self, image_id):   info = self.image_info[image_id]  if info["source"] == "shapes": \t return info["shapes"]  else: \t super(self.__class__).image_reference(self, image_id) 

上面的代码还判断了一些info[“source”]，如果是”shapes”，说明是我们生成的图片，直接返回shape的名字，否则调用基类的image_reference。下面我们来生成一些图片看看。

# 训练集500个图片 dataset_train = ShapesDataset() dataset_train.load_shapes(500, config.IMAGE_SHAPE[0], config.IMAGE_SHAPE[1]) dataset_train.prepare()  # 验证集50个图片 dataset_val = ShapesDataset() dataset_val.load_shapes(50, config.IMAGE_SHAPE[0], config.IMAGE_SHAPE[1]) dataset_val.prepare()
 image_ids = np.random.choice(dataset_train.image_ids, 4) for image_id in image_ids: \timage = dataset_train.load_image(image_id) \tmask, class_ids = dataset_train.load_mask(image_id) \tvisualize.display_top_masks(image, mask, class_ids, dataset_train.class_names) 

随机生成的图片如下图所示，注意，因为每次都是随机生成，因此读者得到的结果可能是不同的。左图是生成的图片，右边是mask。

图：随机生成的Shape图片

3、创建模型

model = modellib.MaskRCNN(mode="training", config=config, \t\tmodel_dir=MODEL_DIR) 

因为我们的训练数据不多，因此使用预训练的模型进行Transfer Learning会效果更好。

# 默认使用coco模型来初始化

init_with = "coco" # imagenet, coco, or last

if init_with == "imagenet":

\tmodel.load_weights(model.get_imagenet_weights(), by_name=True)

elif init_with == "coco":

\t# 加载COCO模型的参数，去掉全连接层(mrcnn_bbox_fc)，

\t# logits(mrcnn_class_logits)

\t# 输出的boudning box(mrcnn_bbox)和Mask(mrcnn_mask)

\tmodel.load_weights(COCO_MODEL_PATH, by_name=True,

\t\texclude=["mrcnn_class_logits", "mrcnn_bbox_fc",

\t\t"mrcnn_bbox", "mrcnn_mask"])

elif init_with == "last":

\t# 加载我们最近训练的模型来初始化

\tmodel.load_weights(model.find_last(), by_name=True)

4、训练

训练分为两个阶段：

• heads 只训练上面没有初始化的4层网络的参数，适合训练数据较少(比如本例子)的情况

• all 训练所有的参数

我们这里值训练heads就够了。

model.train(dataset_train, dataset_val,  \t\tlearning_rate=config.LEARNING_RATE,  \t\tepochs=1,  \t\tlayers='heads') 

保存模型参数：

# 手动保存参数，这通常是不需要的，

# 因为每次epoch介绍会自动保存，所以这里是注释掉的。

# model_path = os.path.join(MODEL_DIR, "mask_rcnn_shapes.h5")

# model.keras_model.save_weights(model_path)

5、检测

我们首先需要构造预测的Config并且加载模型参数。

class InferenceConfig(ShapesConfig):

\tGPU_COUNT = 1

\tIMAGES_PER_GPU = 1inference_config = InferenceConfig()# 重新构建用于inference的模型 model = modellib.MaskRCNN(mode="inference",

\t\tconfig=inference_config,

\t\tmodel_dir=MODEL_DIR)# 加载模型参数，可以手动指定也可以让它自己找最近的模型参数文件 # model_path = os.path.join(ROOT_DIR, ".h5 file name here")model_path = model.find_last()# 加载模型参数 print("Loading weights from ", model_path)model.load_weights(model_path, by_name=True)

我们随机寻找一个图片来检测：

# 随机选择验证集的一张图片。

image_id = random.choice(dataset_val.image_ids)

original_image, image_meta, gt_class_id, gt_bbox, gt_mask =\\

\tmodellib.load_image_gt(dataset_val, inference_config,

\t\timage_id, use_mini_mask=False)

log("original_image", original_image)

log("image_meta", image_meta)

log("gt_class_id", gt_class_id)

log("gt_bbox", gt_bbox)

log("gt_mask", gt_mask)

visualize.display_instances(original_image, gt_bbox, gt_mask, gt_class_id,

\tdataset_train.class_names, figsize=(8, 8))

上面的代码加载一张图片，结果如下图所示，它显示的是真正的(gold/ground-truth) Bounding box和Mask。

图：随机挑选的测试图片

接下来我们用模型来预测一下：

results = model.detect([original_image], verbose=1)  r = results[0] visualize.display_instances(original_image, r['rois'], r['masks'], r['class_ids'],  \tdataset_val.class_names, r['scores'], ax=get_ax()) 

模型预测的结果如下图所示，可以对比看成模型预测的非常准确。

图：模型预测的结果

6、测试

前面我们只是测试了一个例子，我们需要更加全面的评测。

image_ids = np.random.choice(dataset_val.image_ids, 10)

APs = []

for image_id in image_ids:

\t# 加载图片和正确的Bounding box以及mask

\timage, image_meta, gt_class_id, gt_bbox, gt_mask =\\

\t\tmodellib.load_image_gt(dataset_val, inference_config,

\t\t\timage_id, use_mini_mask=False)

\tmolded_images = np.expand_dims(modellib.mold_image(image, inference_config), 0)

\t# 进行检测

\tresults = model.detect([image], verbose=0)

\tr = results[0]

\t# 计算AP

\tAP, precisions, recalls, overlaps =\\

\t\tutils.compute_ap(gt_bbox, gt_class_id, gt_mask,

\t\t\tr["rois"], r["class_ids"], r["scores"], r['masks'])

\tAPs.append(AP)

print("mAP: ", np.mean(APs))

# 输出0.95

inspect_data.ipynb

这个notebook演示了Mask R-CNN的数据预处理过程。这个notebook可以用COCO数据集或者我们之前介绍的shape数据集进行演示，为了避免下载大量的COCO数据集，我们这里用shape数据集。

1、选择数据集

config = ShapesConfig()

# 我们把下面的代码注释掉

# MS COCO Dataset

#import coco

#config = coco.CocoConfig()

#COCO_DIR = "path to COCO dataset" # TODO: enter value here

2、加载Dataset

# Load dataset

if config.NAME == 'shapes':

\tdataset = ShapesDataset()

\tdataset.load_shapes(500, config.IMAGE_SHAPE[0], config.IMAGE_SHAPE[1])

elif config.NAME == "coco":

\tdataset = coco.CocoDataset()

\tdataset.load_coco(COCO_DIR, "train")

# 使用dataset之前必须调用prepare()

dataset.prepare()

print("Image Count: {}".format(len(dataset.image_ids)))

print("Class Count: {}".format(dataset.num_classes))

for i, info in enumerate(dataset.class_info):

\tprint("{:3}. {:50}".format(i, info['name']))

\t

# 运行后的结果为：

Image Count: 500

Class Count: 4

0. BG

1. square

2. circle

3. triangle

3、显示样本

我们可以显示一些样本。

image_ids = np.random.choice(dataset.image_ids, 4) for image_id in image_ids: \timage = dataset.load_image(image_id) \tmask, class_ids = dataset.load_mask(image_id) \tvisualize.display_top_masks(image, mask, class_ids, dataset.class_names) 

结果如下图所示。

图：Mask 显示4个样本

4、Bounding Box

一般的数据集同时提供Bounding box和Mask，但是为了简单，我们只需要数据集提供Mask，我们可以通过Mask计算出Bounding box来。这样还有一个好处，那就是如果我们对目标物体进行旋转缩放等操作，计算Mask会比较容易，我们可以用新的Mask重新计算新的Bounding Box。否则我们就得对Bounding box进行相应的旋转缩放，这通常比较麻烦。

# 随机加载一个图片和它对应的mask.

image_id = random.choice(dataset.image_ids)

image = dataset.load_image(image_id)

mask, class_ids = dataset.load_mask(image_id)

# 计算Bounding box

bbox = utils.extract_bboxes(mask)

# 显示图片其它的统计信息

print("image_id ", image_id, dataset.image_reference(image_id))

log("image", image)

log("mask", mask)

log("class_ids", class_ids)

log("bbox", bbox)

# 显示图片

visualize.display_instances(image, bbox, mask, class_ids, dataset.class_names)

最重要的代码就是bbox = utils.extract_bboxes(mask)。最终得到的图片如下图所示。

图：显示样本

\\subsubsection{缩放图片} 我们需要把图片都缩放成1024x1024(shape数据是生成的，都是固定大小，但实际数据集肯定不是这样)。我们会保持宽高比比最大的缩放成1024，比如原来是512x256，那么就会缩放成1024x512。然后我们把不足的维度两边补零，比如把1024x512padding成1024x1024，height维度上下各补256个0(256个0+512个真实数据+256个0)。

# 随机加载一个图片和它的mask

image_id = np.random.choice(dataset.image_ids, 1)[0]

image = dataset.load_image(image_id)

mask, class_ids = dataset.load_mask(image_id)

original_shape = image.shape

# 缩放图片，

image, window, scale, padding, _ = utils.resize_image(

\timage,

\tmin_dim=config.IMAGE_MIN_DIM,

\tmax_dim=config.IMAGE_MAX_DIM,

\tmode=config.IMAGE_RESIZE_MODE)

# 缩放图片后一定要缩放mask，否则就不一致了\t

mask = utils.resize_mask(mask, scale, padding)

# 计算Bounding box

bbox = utils.extract_bboxes(mask)

# 显示图片的其它统计信息

print("image_id: ", image_id, dataset.image_reference(image_id))

print("Original shape: ", original_shape)

log("image", image)

log("mask", mask)

log("class_ids", class_ids)

log("bbox", bbox)

# 显示图片

visualize.display_instances(image, bbox, mask, class_ids, dataset.class_names)

5、Mini Masks

一个图片可能有多个目标物体，每个物体的Mask是一个bool数组，大小是[width, height]。很显然，Bounding box之外的Mask肯定都是False，如果物体的比较小的话，这么存储是比较浪费空间的。因此我们有如下改进方法：

• 我们只存储Bounding Box里的坐标对应的Mask值

• 我们把Mask缩小(比如56x56)，用的时候在放大回去，这对大的目标物体会有误差。但是由于我们的(人工)标注本来就没那么准。

为了可视化Mask缩放，我们来看几个例子。

图：显示样本

接下来我们对图片进行增强，比如镜像。

image, image_meta, class_ids, bbox, mask = modellib.load_image_gt( \tdataset, config, image_id, augment=True, use_mini_mask=True) log("mask", mask) display_images([image]+[mask[:,:,i] for i in range(min(mask.shape[-1], 7))]) 

上面调用函数modellib.load_image_gt，参数use_mini_mask设置为True。效果如下图所示。首先做了镜像对称变化，另外我们可以看到mask的shape从(128, 128, 2)变成了(56, 56, 2)，而且mask都是Bounding Box里的mask。

图：mini mask和增强

6、Anchor

anchor的顺序非常重要，训练和预测要使用相同的anchor序列。另外也要匹配卷积的运算顺序。对于一个FPN，anchor的顺序要便于卷积层的输出预测anchor的得分和位移(shift)。因此通常使用如下顺序：

• 首先安装金字塔的层级排序，首先是第一层，然后是第二层

• 对于同一层，安装卷积的顺序从左上到右下逐行排序

• 对于同一个点，按照宽高比(aspect ratio)排序

Anchor Stride：在FPN网络结构下，前几层的feature map是高分辨率的。比如输入图片是1024x1024，则第一层的feature map是256x256，这将产生大约200k个anchor(2562563)，这些anchor是32x32的，而它们的stride是4个像素，因此会有大量重叠的anchor。如果我们每隔一个cell(而不是每个cell)生成一次anchor，这将极大降低计算量。这里使用的stride是2，这和论文使用的1不同。生成anchor的代码如下：

# Generate Anchors

backbone_shapes = modellib.compute_backbone_shapes(config, config.IMAGE_SHAPE)

anchors = utils.generate_pyramid_anchors(config.RPN_ANCHOR_SCALES,

\tconfig.RPN_ANCHOR_RATIOS,

\tbackbone_shapes,

\tconfig.BACKBONE_STRIDES,

\tconfig.RPN_ANCHOR_STRIDE)

# 输出anchor的摘要信息

num_levels = len(backbone_shapes)

anchors_per_cell = len(config.RPN_ANCHOR_RATIOS)

print("Count: ", anchors.shape[0])

print("Scales: ", config.RPN_ANCHOR_SCALES)

print("ratios: ", config.RPN_ANCHOR_RATIOS)

print("Anchors per Cell: ", anchors_per_cell)

print("Levels: ", num_levels)

anchors_per_level = []

for l in range(num_levels):

\tnum_cells = backbone_shapes[l][0] * backbone_shapes[l][1]

\tanchors_per_level.append(anchors_per_cell * num_cells //

\t\tconfig.RPN_ANCHOR_STRIDE**2)

\tprint("Anchors in Level {}: {}".format(l, anchors_per_level[l]))

输出的统计信息是：

Count: 4092 Scales: (8, 16, 32, 64, 128) ratios: [0.5, 1, 2] Anchors per Cell: 3 Levels: 5 Anchors in Level 0: 3072 Anchors in Level 1: 768 Anchors in Level 2: 192 Anchors in Level 3: 48 Anchors in Level 4: 12 

我们来分析一下，总共有5种scales。对于第0层，Feature map是32x32，每个cell有3种宽高比，因此总共有3072个anchor；而第一层的Feature map是16x16，所以有768个anchor。我们来看每一层的feature map中心cell的anchor。

## Visualize anchors of one cell at the center of the feature map of a specific level  # Load and draw random image image_id = np.random.choice(dataset.image_ids, 1)[0] image, image_meta, _, _, _ = modellib.load_image_gt(dataset, config, image_id) fig, ax = plt.subplots(1, figsize=(10, 10)) ax.imshow(image) levels = len(backbone_shapes)  for level in range(levels): \tcolors = visualize.random_colors(levels) \t# Compute the index of the anchors at the center of the image \tlevel_start = sum(anchors_per_level[:level]) # sum of anchors of previous levels \tlevel_anchors = anchors[level_start:level_start+anchors_per_level[level]] \tprint("Level {}. Anchors: {:6} Feature map Shape: {}".format(level, \t \t\tlevel_anchors.shape[0], backbone_shapes[level])) \tcenter_cell = backbone_shapes[level] // 2 \tcenter_cell_index = (center_cell[0] * backbone_shapes[level][1] + center_cell[1]) \tlevel_center = center_cell_index * anchors_per_cell  \tcenter_anchor = anchors_per_cell * ( \t\t(center_cell[0] * backbone_shapes[level][1] / config.RPN_ANCHOR_STRIDE**2) \\ \t\t+ center_cell[1] / config.RPN_ANCHOR_STRIDE) \tlevel_center = int(center_anchor) \t \t# Draw anchors. Brightness show the order in the array, dark to bright. \tfor i, rect in enumerate(level_anchors[level_center:level_center+anchors_per_cell]): \t\ty1, x1, y2, x2 = rect \t\tp = patches.Rectangle((x1, y1), x2-x1, y2-y1, linewidth=2, facecolor='none', \t\tedgecolor=(i+1)*np.array(colors[level]) / anchors_per_cell) \t\tax.add_patch(p) 

结果如下图所示。

图：Anchor

7、训练数据生成器

我们在训练Mask R-CNN的时候，会计算候选的区域和真实的目标区域的IoU，从而选择正例和负例。

random_rois = 2000 g = modellib.data_generator( \tdataset, config, shuffle=True, random_rois=random_rois,  \tbatch_size=4, \tdetection_targets=True) \t # Get Next Image if random_rois: \t[normalized_images, image_meta, rpn_match, rpn_bbox, gt_class_ids,  \t\tgt_boxes, gt_masks, rpn_rois, rois],  \t[mrcnn_class_ids, mrcnn_bbox, mrcnn_mask] = next(g)  \tlog("rois", rois) \tlog("mrcnn_class_ids", mrcnn_class_ids) \tlog("mrcnn_bbox", mrcnn_bbox) \tlog("mrcnn_mask", mrcnn_mask) else: \t[normalized_images, image_meta, rpn_match, rpn_bbox, gt_boxes, gt_masks], _ = \t\tnext(g)  log("gt_class_ids", gt_class_ids) log("gt_boxes", gt_boxes) log("gt_masks", gt_masks) log("rpn_match", rpn_match, ) log("rpn_bbox", rpn_bbox) image_id = modellib.parse_image_meta(image_meta)["image_id"][0] print("image_id: ", image_id, dataset.image_reference(image_id))  # Remove the last dim in mrcnn_class_ids. It's only added # to satisfy Keras restriction on target shape. mrcnn_class_ids = mrcnn_class_ids[:,:,0]\t  b = 0  # Restore original image (reverse normalization) sample_image = modellib.unmold_image(normalized_images[b], config)  # Compute anchor shifts. indices = np.where(rpn_match[b] == 1)[0] refined_anchors = utils.apply_box_deltas(anchors[indices], rpn_bbox[b, :len(indices)]  \t\t\t* config.RPN_BBOX_STD_DEV) log("anchors", anchors) log("refined_anchors", refined_anchors)  # Get list of positive anchors positive_anchor_ids = np.where(rpn_match[b] == 1)[0] print("Positive anchors: {}".format(len(positive_anchor_ids))) negative_anchor_ids = np.where(rpn_match[b] == -1)[0] print("Negative anchors: {}".format(len(negative_anchor_ids))) neutral_anchor_ids = np.where(rpn_match[b] == 0)[0] print("Neutral anchors: {}".format(len(neutral_anchor_ids)))  # ROI breakdown by class for c, n in zip(dataset.class_names, np.bincount(mrcnn_class_ids[b].flatten())): \tif n: \t\tprint("{:23}: {}".format(c[:20], n))  # Show positive anchors visualize.draw_boxes(sample_image, boxes=anchors[positive_anchor_ids],  refined_boxes=refined_anchors) 

输出为：

anchors shape: (4092, 4) min: -90.50967 max: 154.50967 float64 refined_anchors shape: (3, 4) min: 6.00000 max: 128.00000 float32 Positive anchors: 3 Negative anchors: 253 Neutral anchors: 3836 BG : 22 square : 1 circle : 9 

对于随机的一个图片，这里生成了4092个anchor，其中3个正样本，253个负样本，其余的都是无用的样本。 下图 是3个正样本； 下图 是负样本；而 下图 是无用的数据。

图：正样本anchor

图：负样本anchor

图：无用的anchor