一 maskrcnn—tensorflow环境配置（若没有gpu，仅看 一，若需要配置gpu ，在完成一的基础上，配置二。）
1. 下载anaconda 及 pycharm
2. 在anaconda中创建python3.6虚拟环境
conda create -n Tensorflow_envs python=3.6
查看环境：conda info –envs
进入环境：activate envs_name
退出环境：deactivate
3. 创建包
—-tensorflow 1.11（1.13应该行）
—-keras 2.1.6
在安装keras2.0.8版本时，会出现下列错误，epoch一直挂在1处，不报错，一直运行的状态
—-h5py 2.10.0
—-opencv 4.5.3.56
如果出现cv2的某些函数无法读取的情况，原因可能是由于opencv库函数的版本导致的
使用终端安装依赖包时，可能会出现如下图所示的错误，其原因是，更新包的时候没有关闭pycharm
4. 配置数据集
使用labelme进行标注后，所得到的时.json文件，这时需要使用
labelme_json_to_dataset.exe（在安装的labelme文件夹下的一个文件）可执行文件对得到的json文件进行转换，正确的结果应该是得到五个文件，而labelme版本更新以后，只能得到四个文件，如下图所示，主要原因是labelme新版本的labelme_json_to_dataset.py文件和老版本比缺失了部分代码。
这时我们需要对labelme_json_to_dataset.py源码进行修改，将labelme3.2版本的labelme_json_to_dataset.py源文件后部分复制粘贴到新版本对应的源文件，并在新版本文件中导入import yaml，然后保存。
然后成功得到info.yaml文件
通过labelme_json_to_dataset.exe，每次只能转变一个json文件，可以通过一个批处理文件一次生成（或者自己写一个代码，也可以在网上收一下，网上有很多）
进一步将批处理后的文件整理成下面四个文件，pic文件放置我们拍摄的原图，labelme_json文件存放的是上一步通过
通过labelme_json_to_dataset.exe转换后的文件，json文件是通过labelme标注后得到的文件，cv2_mask文件存放的是我们标注的mask图像
5. 源代码修改
- NUM_CLASSES：表示类别的个数
- self.add_class(“shapes”, 1, “category1”) ，self.add_class(“shapes”, 2, “category2”) self.add_class(“shapes”, 3, “category3”) 添加标签中定义的类别
-
#第三处，在上一步步骤2处，增加了标记的类别名后就多加elif
for i in range(len(labels)):
if labels[i].find(”
category1
“) != -1:
# print “car”
labels_form.append(”
category1
“)
elif
labels[i].find(“category2”) != -1:
# print “leg”
labels_form.append(”
category2
“)
elif
labels[i].find(”
category3
“) != -1:
# print “leg”
labels_form.append(“category3”)
原文链接：https://blog.csdn.net/qq_24594197/article/details/109565152
这里如果没有指定的话，会报如下所示的错误
IndexError:
boolean
index did not match indexed array along dimension 0; dimension is 0 but corresponding boolean dimension is 1
本人自己做的时候，报了上述错误，修改完之后呢，部分数据可以训练，但是有部分图片呢，报错误说没有找到cv2_mask/图片的名字，后面发现是有部分图片属性里面有_json，这几个字母，把它删除后，就可以正常训练了
4.指定好路径
dataset_root_path=”mydata/”（存放打包好了的训练数据的根目录）
img_floder = dataset_root_path + “pic”
mask_floder = dataset_root_path + “cv2_mask”
imglist = os.listdir(img_floder)
count = len(imglist)
5.DETECTION_MIN_CONFIDENCE 指定的稍微小一点可以得到更多结果
运行结果如下图所示
二、配置2080GPU（2080-3090都可），详细步骤请看我的另一篇文章
注：步骤一配置的是tensorflow1.x版本，步骤二配置的是tensorflow2.x版本（如果显卡支持cuda10.0的话，相同的步骤，可以配置tensorflow1.x版本，但2080显卡支持的cuda11.5，因此在这里配置的tensorflow2.x版本），如果想用2080配置的tensorflow训练tensorflow1.x框架的maskrcnn，需要在github上下载maskrcnn_tf2源码，将mrcnn文件和tensorflow1.x里的maskrcnn文件替换，替换后可能会出现某些错误，详情请看另一篇文章