1.数据准备

准备好自己的数据集，并按照Mask RCNN模型要求的数据集格式进行格式转化。

注意：Mask RCNN模型训练所使用的数据集格式为COCO格式，COCO格式数据集目录结构如下所下：

dataset_root/
├── annotations/       # 存放所有JSON标注文件
│   ├── instances_train2017.json
│   └── instances_val2017.json
├── train2017/         # 存放训练集图像
├── val2017/           # 存放验证集图像

本次模型的复现，使用的是COCO2017数据集，如果想用自己的数据集进行模型训练，可以将自己的数据集按照COCO格式进行转化。

如果想使用COCO2017数据集进行代码的初步测试，可以去官网下载该数据集。

COCO官网地址：COCO - Common Objects in Context

2. 模型环境配置

2.1 创建虚拟环境

特别说明：本次模型训练，是在Win10系统下进行！！！ 

首先，使用Win+R，然后输入“cmd”，打开命令提示符，然后使用以下指令，创建一个Mask RCNN模型的虚拟环境。

conda create --name=maskrcnn python=3.9.20

注意：本模型需要使用Py3.9的版本（尝试过其他的版本，无法运行本模型复现的代码）

创建完成后，可以使用下列命令来激活虚拟环境：

conda activate maskrcnn

 至此，就完成了环境配置的第一步，虚拟环境的搭建。

2.2 配置模型运行所需要的环境依赖

【前提】已经安装好Anaconda3并配置好Pycharm！！！！

2.2.1 安装torch

接下来，就可以配置Mask RCNN模型运行所需要的环境依赖，其中最主要的就是torch的安装。本次复现所用电脑具有独显，因此配置的是具有CUDA的torch。

 在打开的虚拟环境中，运行下列代码：

pip --isolated install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

【注意】
        1. 要安装适合自己GPU的torch，安装时可以去torch官网去查找！

        2.--isolated 这个命令，作用是将环境依赖下载到maskrcnn虚拟环境中，如果不使用这个命令，可能会导致下载的环境依赖不存在于这个环境中。

2.2.2 其他环境依赖的安装

其他的环境依赖如下所示，可根据实际情况进行安装即可。

Package             Version
------------------- ------------
certifi             2024.8.30
charset-normalizer  3.4.0
colorama            0.4.6
contourpy           1.0.7
cycler              0.12.1
filelock            3.16.1
fonttools           4.55.2
idna                3.10
importlib_resources 6.4.5
Jinja2              3.1.4
kiwisolver          1.4.7
lxml                5.3.0
MarkupSafe          3.0.2
matplotlib          3.5.3
mpmath              1.3.0
networkx            3.2.1
numpy               1.21.6
packaging           24.2
pillow              11.0.0
pip                 24.2
pycocotools         2.0.8
pyparsing           3.2.0
python-dateutil     2.9.0.post0
requests            2.32.3
setuptools          75.1.0
six                 1.17.0
sympy               1.13.3
torch               2.0.0+cu118
torchvision         0.15.0+cu118
tqdm                4.67.1
typing_extensions   4.12.2
urllib3             2.2.3
wheel               0.44.0
zipp                3.21.0

2.2.3 特别说明

在本次模型训练的时候，在配置好环境后对模型进行训练时，会一直产生一个报错，其大概意思是numpy的版本不兼容的问题，但是一般在创建虚拟环境时，或者下载torch时就会有一个默认的numpy，所以一定要注意这个numpy的版本问题。

在进行环境安装的时候，一定要注意好环境依赖的版本，避免产生不必要的报错。本次复现所使用的numpy的版本为1.21.6，由numpy进而牵扯出matplotlib和contourpy的版本不兼容的问题。具体的合适版本如下所示。

pip --isolated install numpy==1.21.6 matplotlib==3.5.3 contourpy==1.0.7

至此，所有的环境依赖就全部安装完毕。

3. 模型代码的下载及调试

3.1 代码下载

本次代码复现，参考下列网址内的博文：

https://github.com/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/pytorch_object_detection/mask_rcnn

模型代码下载地址：

https://github.com/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/pytorch_object_detectionhttps://github.com/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/pytorch_object_detection注意：最好使用Git进行下载，并且开启科学上网！！

此外，在下载完代码文件后，会得到很多的模型，具体如下所示：

我们只需要打开Mask RCNN代码即可。

3.2 代码调试

3.2.1 数据集放置

将之前准备好的COCO格式的数据集，放置到代码中。

3.2.2 下载预训练模型权重

预训练权重下载地址：

1.ResNet50预训练权重： https://download.pytorch.org/models/resnet50-0676ba61.pthhttps://download.pytorch.org/models/resnet50-0676ba61.pth预训练权重下载完毕后，需要修改权重文件名称，例如在train.py文件中，权重文件名称为resnet50.py，而使用链接下载下的文件名称是resnet50-0676ba61.pth。

2.Mask RCNN预训练权重： https://download.pytorch.org/models/maskrcnn_resnet50_fpn_coco-bf2d0c1e.pthhttps://download.pytorch.org/models/maskrcnn_resnet50_fpn_coco-bf2d0c1e.pth 同理，该权重文件下载后，也需要修改其名称为：maskrcnn_resnet50_fpn_coco.pth

下载完权重文件后，将其放在mask_rcnn根目录下。

3.2.3 配置train.py文件

完成上述配置后，即可配置train.py训练文件。

1.修改文件中权重文件的地址。

将上述下载好的权重文件的“路径”复制下来

然后，将权重文件的路径防止到train.py文件中的相应位置。

（注意，这个地方要将上述两个权重文件都下载下来，并放置到合适位置）

2. 配置训练集的根目录

将训练集在mask_rcnn根目录下的路径放置到下列位置，如果使用的是COCO2017则不需要修改。

3. 配置好检测目标类别数

将数据集中的类别数量（不包含背景的）放置到如下位置。

至此，完成train.py文件的配置。

4.代码运行

完成上述配置后，运行train.py文件即可。

5. 报错内容参考

在运行上述代码的时候，出现了基础报错的地方，写在这里供参考

5.1 没有正确设置训练集数据路径

报错内容：

Traceback (most recent call last):
  File "F:\computer_algorithm\MaskRCNN\mask_rcnn\train.py", line 242, in <module>
    main(args)
  File "F:\computer_algorithm\MaskRCNN\mask_rcnn\train.py", line 60, in main
    train_dataset = CocoDetection(data_root, "train", data_transform["train"])
  File "F:\computer_algorithm\MaskRCNN\mask_rcnn\my_dataset_coco.py", line 25, in __init__
    assert os.path.exists(root), "file '{}' does not exist.".format(root)
AssertionError: file '/data/coco2017' does not exist.

主要原因就是没有配置好train.py中的训练集数据路径，重新复制训练集的路径，放置上即可。

5.2 没有正确配置权重文件

在第一次训练时，我只是配置了Mask RCNN的权重文件，而并没有配置另一个，这就导致了如下报错：

Traceback (most recent call last):
  File "F:\computer_algorithm\MaskRCNN\mask_rcnn\train.py", line 242, in <module>
    main(args)
  File "F:\computer_algorithm\MaskRCNN\mask_rcnn\train.py", line 107, in main
    model = create_model(num_classes=args.num_classes + 1, load_pretrain_weights=args.pretrain)
  File "F:\computer_algorithm\MaskRCNN\mask_rcnn\train.py", line 23, in create_model
    backbone = resnet50_fpn_backbone(pretrain_path="resnet50.pth", trainable_layers=3)
  File "F:\computer_algorithm\MaskRCNN\mask_rcnn\backbone\resnet50_fpn_model.py", line 164, in resnet50_fpn_backbone
    assert os.path.exists(pretrain_path), "{} is not exist.".format(pretrain_path)
AssertionError: resnet50.pth is not exist.

只需要按照3.2.3中的方式配置即可。