重磅！愷明大神 Mask R-CNN 超實用教程

作　者 |?Adrian Rosebrock

來源 | AI科技評論

翻　譯 |?天字一號（鄭州大學）、李美麗（華南師范大學）、had_in（電子科技大學）、nengdaiper（北京科技大學）

作　者 |?Adrian Rosebrock

來源 | AI科技評論

翻　譯 |?天字一號（鄭州大學）、李美麗（華南師范大學）、had_in（電子科技大學）、nengdaiper（北京科技大學）

在此教程中，你將學習如何在opencv中使用Mask R-CNN。

使用Mask R-CNN，你可以自動分割和構建圖像中每個對象的像素級MASK。我們將應用Mask R-CNN到圖像和視頻流。

在上周的博客文章中，你學習了如何使用Yolo物體探測器來檢測圖像中物體（https://www.pyimagesearch.com/2018/11/12/yolo-object-detection-with-opencv/）。對象檢測器，如yolo、faster r-cnn和ssd，生成四組（x，y）坐標，表示圖像中對象的邊界框。

從獲取對象的邊界框開始挺好的，但是邊界框本身并不能告訴我們（1）哪些像素屬于前景對象，（2）哪些像素屬于背景。

這就引出了一個問題：

答案是肯定的：我們只需要使用Mask R-CNN架構執行實例分割。

要了解如何利用opencv的Mask R-CNN應用于圖像和視頻流，繼續看下去吧！

正在查找此博客的源代碼？直接跳到下載（https://www.pyimagesearch.com/2018/11/19/mask-r-cnn-with-opencv/#）。

Mask R-CNN with OpenCV

在本教程的第一部分中，我們將討論圖像分類、對象檢測、實例分割和語義分割之間的區別。

這里，我們將簡要回顧Mask R-CNN架構及其與Faster R-CNN的關系。

然后，我將向您展示如何在圖像和視頻流上應用Mask R-CNN與OpenCV。

開始吧！

實例分割 vs. 語義分割

圖1：圖像分類(左上)，目標檢測(右上)，語義分割(左下)，實例分割(右下)。在本教程中，我們將使用Mask R-CNN執行實例分割。（來源：https://arxiv.org/abs/1704.06857）

解釋傳統的圖像分類、目標檢測、語義分割和實例分割之間的區別，最好是用可視化方法。

在執行傳統的圖像分類時，我們的目標是預測一組標簽來表示輸入圖像的內容(左上角)。

目標檢測建立在圖像分類的基礎上，但這一次需要我們對圖像中每個對象定位。圖像的表征如下：

每個目標邊界框的坐標(x, y)

每個邊界框關聯的類別標簽

左下角是一個語義分割的例子。語義分割算法要求我們將輸入圖像中的每個像素與一個類別標簽(包括一個用于背景的類標簽)關聯起來。

注意關注我們語義分割的可視化——注意每個目標是如何分割的，但每個“cube”目標都有相同的顏色。

雖然語義分割算法能夠對圖像中的所有目標進行標記，但它們無法區分同一類的兩個對象。

特別是同一個類別的兩個目標是相互遮擋時，問題更加明顯，我們不知道一個對象的邊界在哪里結束以及哪里開始，如圖上兩個紫色立方體所示,我們無法說清楚一個立方體邊界的開始和結束。

另一方面，實例分割算法為圖像中的每個對象計算像素級mask，即使對象具有相同的類別標簽(右下角)。在這里，您可以看到每個立方體都有自己獨特的顏色，這意味著我們的實例分割算法不僅定位了每個獨立的立方體，而且還預測了它們的邊界。

而在本教程，我們將要討論的Mask R-CNN架構就是一個實例分割算法的示例。

什么是 Mask R-CNN？

Mask R-CNN算法是何凱明等人在2017年發表的論文中提出的，Mask R-CNN（https://arxiv.org/abs/1703.06870）。

Mask R-CNN是基于之前的目標檢測工作R-CNN(2013)、Fast R-CNN(2015)、Faster R-CNN(2015)，均由Girshick等人完成。

為了理解Mask R-CNN，讓我們簡要回顧一下R-CNN的變體，從原始的R-CNN開始:

圖2：初始的R-CNN架構(來源：Girshick等人，2013)

最初的R-CNN算法分為四個步驟：

步驟1：向網絡輸入圖像。

步驟2：提取區域proposals(即，可能包含對象的圖像區域)算法，如選擇性搜索算法（http://www.huppelen.nl/publications/selectiveSearchDraft.pdf）。

步驟3：利用遷移學習進行特征提取，使用預先訓練的CNN計算每個proposals的特征(這實際上是一個ROI)。

步驟4：使用支持向量機(SVM)對提取的特征進行分類。

這種方法之所以有效，是因為CNN學習的特征的魯棒性和可鑒別性。

然而，R-CNN方法的問題在于它非常慢。此外，我們實際上并沒有學習如何通過深度神經網絡進行定位，我們只是在有效地構建一個更高級的HOG +線性SVM檢測器（https://www.pyimagesearch.com/2014/11/10/histogram-oriented-gradients-object-detection/）。

為了改進原有的R-CNN, Girshick等人發表了Fast R-CNN算法：

圖3：Fast R-CNN架構(來源：Girshick et al.， 2015)。

與原始的R-CNN相似，Fast R-CNN仍然使用選擇性搜索來獲取區域建議；然而，本文的新貢獻是感興趣區域(ROI)池化模塊。

ROI池化的工作原理是從特征map中提取一個固定大小的窗口，并使用這些特征獲得最終的類別標簽和邊界框。這樣做主要好處是，網絡現在可以有效地端到端地進行訓練：

我們輸入一個圖像和對應的實際的邊界框

提取圖像的特征map

應用ROI池化，得到ROI特征向量

最后, 使用兩組全連接層來獲得(1)類別標簽預測(2)每個proposal的邊框位置。

雖然網絡現在是可以端到端訓練的，但是由于依賴于選擇性搜索算法，在推斷時性能仍受到了極大的影響。

為了使R-CNN的架構更快，我們需要直接利用R-CNN獲得區域proposal：

圖4：Faster R-CNN架構(來源：Girshick et al.， 2015)

Girshick等人的Faster R-CNN論文將?區域proposals網絡(RPN)引入到神經網絡架構中，減少了對選擇性搜索算法的需求。

總的來說，Faster R-CNN架構能夠以大約7-10幀每秒的速度運行，這是通過深度學習實現實時目標檢測的一大進步。

Mask R-CNN算法建立在Faster R-CNN架構的基礎之上，主要有兩個貢獻：

用更精確的ROI align模塊替換ROI Pooling模塊

從ROI align模塊中插入一個額外的分支

這個額外的分支的輸入為ROI align模塊的輸出，然后將其輸入到兩個CONV層。

CONV層的輸出即是掩摸(mask)本身。

我們可以將Mask R-CNN架構可視化如下圖所示：

圖5：He等人的Mask R-CNN工作用一個更精確的ROI align模塊替換ROI Polling模塊。然后將ROI模塊的輸出送入兩個CONV層。CONV層的輸出即是掩摸(mask)本身。

注意兩個CONV層的分支來自ROI Align模塊——我們實際生成掩摸由該模塊生成。

我們知道，Faster R-CNN/Mask R-CNN架構利用區域proposal網絡(RPN)生成可能包含對象的圖像區域。

這些區域都是根據它們的“可能是目標的評分”(即，給定區域可能包含目標的可能性)，然后保留最可能的前N個目標區域。

在原來Faster R-CNN論文中，Girshick等人設置N= 2000，但在實踐中，我們可以用一個小得多的N，比如N={10,100, 200,300}，仍然可以得到很好的結果。

He等人在他們的論文（https://arxiv.org/abs/1703.06870）中設置N=300，這也是我們這里使用的值。

所選的300個ROIs中的每一個都要經過網絡的三個并行分支:

類別標簽預測

邊界框預測

掩摸預測

上面的圖5顯示了這些分支。

在預測時,300個ROIs都會經過非極大值抑制算法（https://www.pyimagesearch.com/2014/11/17/non-maximum-suppression-object-detection-python/），然后僅保存可能性前100的檢測框,使得最終得到一個四維的100 x L x 15 x 15張量，L為數據幾種類別標簽的數量，15 x 15是每個類別L的掩摸(mask)的大小。

我們今天使用的掩模R-CNN是在COCO數據集上訓練的（http://cocodataset.org/#home），它有L=90個類，因此掩模R CNN掩模模塊的最終體積大小是100 x 90 x 15 x 15。

Mask R-CNN的可視化過程，請看下圖:

圖6：Mask R-CNN過程的可視化，先生成一個15 x 15的掩摸，遮罩改變到圖像的原始尺寸，最后將掩摸覆蓋到原始圖像上。(來源：Python深度學習計算機視覺，ImageNet Bundle)

這里你可以看到，我們從我們的輸入圖像開始，并通過我們的Mask R-CNN網絡，最終獲得我們的掩摸預測。

預測的掩模只有15 x 15的像素，因此我們將掩模的大小調整回原始輸入圖像的尺寸。

最后，調整大小后的掩模可以覆蓋在原始輸入圖像上。要了解更多關于Mask R-CNN工作原理的詳細討論，請參考:

由何等人發表的Mask R-CNN論文（https://arxiv.org/abs/1703.06870）

我的書, Deep Learning for Computer Vision with Python（https://www.pyimagesearch.com/deep-learning-computer-vision-python-book/），在這本書里，我將更詳細地討論Mask R-CNNs，包括如何根據自己的數據從零開始訓練自己的Mask R-CNNs。

項目結構

我們今天的項目主要由兩個腳本組成，還有其他幾個重要的文件。

我已經按照如下方式構建了這個項目(直接在終端上的tree命令輸出):

基于OpenCV的Mask R-CNN----Shell

$?tree.├──?mask-rcnn-coco│???├──?colors.txt│???├──?frozen_inference_graph.pb│???├──?mask_rcnn_inception_v2_coco_2018_01_28.pbtxt│???└──?object_detection_classes_coco.txt├──?images│???├──?example_01.jpg│???├──?example_02.jpg│???└──?example_03.jpg├──?videos│???├──├──?output│???├──├──?mask_rcnn.py└──?mask_rcnn_video.py?4?directories,?9?files

我們的項目包括四個目錄:

mask-rcnn-coco/ : Mask R-CNN的模型文件。有四個文件:

frozen_inference_graph.pb : Mask R-CNN模型的權重文件，是基于COCO數據集上預訓練的權重。

mask_rcnn_inception_v2_coco_2018_01_28.pbtxt :? Mask R-CNN模型的配置文件。如果你想在你自己的標注的數據上建立并訓練你自己的模型，? 參考 Deep Learning for Computer Vision with Python（https://www.pyimagesearch.com/deep-learning-computer-vision-python-book/）.

object_detection_classes_coco.txt : 所有90個類別都列在這個文本文件中，每行一個。在文本編輯器中打開它，查看模型可以識別哪些對象。

colors.txt : 這個文本文件包含六種顏色，可以隨機分配給圖像中檢測到的目標。

images/ : 我在“Downloads”中提供了三個測試圖像。請隨意添加您自己的圖像進行測試

videos/ : 這是一個空目錄。實際上，我用從YouTube上搜集的大型視頻進行了測試(Credits下面，就在“Summary”部分的上面)。我更傾向于建議您可以在YouTube上找到一些視頻下載并測試，而不是提供一個真正大的zip文件。或者用你的手機拍一些視頻，然后回到你的電腦前使用它們!

output/ :另一個空目錄，將保存處理過的視頻(假設您將命令行參數設置為輸出到此目錄)。

今天我們將回顧兩個腳本:

mask_rcnn.py : 這個腳本將執行實例分割并對圖像應用一個掩碼，這樣您就可以看到Mask R-CNN檢測出的對象在哪里，精細到像素。

mask_rcnn_video.py : 這個視頻處理腳本使用相同的Mask R-CNN，并將模型應用于視頻文件的每一幀。然后腳本將輸出幀寫回磁盤上的視頻文件中。

基于OpenCV的關于圖像的Mask R-CNN

現在，我們已經回顧了Mask R-CNNs的工作原理，讓我們動手寫一些Python代碼。

在開始之前，請確保您的Python環境已經安裝了OpenCV 3.4.2/3.4.3或更高版本。您可以按照我的OpenCV安裝教程（https://www.pyimagesearch.com/opencv-tutorials-resources-guides/）來升級/安裝OpenCV。如果您想在5分鐘或更短的時間內啟動和運行，可以考慮使用pip安裝OpenCV（https://www.pyimagesearch.com/2018/09/19/pip-install-opencv/）。如果您有其他一些需求，您可能希望從源代碼編譯OpenCV。

請確保您已經從本博客文章的“Downloads”部分下載了源代碼、訓練過的Mask R-CNN以及示例圖像。

然后，打開mask_rcnn.py文件并插入以下代碼:

Mask R-CNN with OpenCV---Python

#?import?the?necessary?packagesimport?numpy?as?npimport?argparseimport?randomimport?timeimport?cv2import?os

首先，我們將在第2-7行導入所需的包。值得注意的是，我們正在導入NumPy和OpenCV包。大多數Python安裝都默認安裝了上所需的其他的包。

現在我們開始解析我們的命令行參數（https://www.pyimagesearch.com/2018/03/12/python-argparse-command-line-arguments/）：

Mask?R-CNN?with?OpenCV---Python#?construct?the?argument?parse?and?parse?the?argumentsap?=?argparse.ArgumentParser()ap.add_argument("-i",?"--image",?required=True,help="path?to?input?image")ap.add_argument("-m",?"--mask-rcnn",?required=True,help="base?path?to?mask-rcnn?directory")ap.add_argument("-v",?"--visualize",?type=int,?default=0,help="whether?or?not?we?are?going?to?visualize?each?instance")ap.add_argument("-c",?"--confidence",?type=float,?default=0.5,help="minimum?probability?to?filter?weak?detections")ap.add_argument("-t",?"--threshold",?type=float,?default=0.3,help="minimum?threshold?for?pixel-wise?mask?segmentation")args?=?vars(ap.parse_args())

我們的腳本在終端中運行需要傳遞命令行參數標志以及參數。我們的參數在第10-21行進行解析，其中前兩行是必需的，其余的是可選的：

--image : 輸入圖像的路徑。

--mask-rnn :? Mask R-CNN文件的根路徑? .

--visualize ?(可選): 正值表示想要可視化如何在屏幕上提取屏蔽區域。無論哪種方式，我們都將在屏幕上顯示最終的輸出。

--confidence ?(optional): 您可以選擇0-0.5的概率值，該值用于過濾概率較低的檢測區域。

--threshold ?(可選): 我們將為圖像中的每個對象創建一個二進制掩碼，這個閾值將幫助我們過濾掉概率較低的掩碼。我發現默認值0.3時效果較好。

現在我們的命令行參數存儲在args字典中，讓我們加載標簽和顏色：

Mask R-CNN with OpenCV---Python

# load the COCO class labels our Mask R-CNN was trained onlabelsPath = os.path.sep.join([args["mask_rcnn"],"object_detection_classes_coco.txt"])LABELS = open(labelsPath).read().strip().split("\n")

# load the set of colors that will be used when visualizing a given# instance segmentationcolorsPath = os.path.sep.join([args["mask_rcnn"], "colors.txt"])COLORS = open(colorsPath).read().strip().split("\n")COLORS = [np.array(c.split(",")).astype("int") for c in COLORS]COLORS = np.array(COLORS, dtype="uint8")

第24-26行加載COCO對象類別標簽。現在的Mask R-CNN能夠識別90個類，包括人，車輛，標志，動物，日常用品，體育用品，廚房用品，食物等等！我建議您查看object_detection_classes_cocoa .txt，以查看可用的類別。

這里我們從路徑加載顏色文件，并執行一些數組轉換操作(第30-33行)。

現在加載我們的模型：

Mask R-CNN with OpenCV---Python

#?derive?the?paths?to?the?Mask?R-CNN?weights?and?model?configurationweightsPath?=?os.path.sep.join([args["mask_rcnn"],"frozen_inference_graph.pb"])configPath?=?os.path.sep.join([args["mask_rcnn"],"mask_rcnn_inception_v2_coco_2018_01_28.pbtxt"])#?load?our?Mask?R-CNN?trained?on?the?COCO?dataset?(90?classes)#?from?diskprint("[INFO]?loading?Mask?R-CNN?from?disk...")net?=?cv2.dnn.readNetFromTensorflow(weightsPath,?configPath)

首先，我們構建權重和配置路徑(第36-39行)，然后通過這些路徑加載模型(第44行)。

在下一個代碼塊中，我們將加載Mask R-CNN神經網絡，輸入一張圖像：

Mask R-CNN with OpenCV---Python

# load our input image and grab its spatial dimensionsimage = cv2.imread(args["image"])(H,?W)?=?image.shape[:2]

# construct a blob from the input image and then perform a forward# pass of the Mask R-CNN, giving us (1) the bounding box ?coordinates# of the objects in the image along with (2) the pixel-wise segmentation# for each specific objectblob = cv2.dnn.blobFromImage(image, swapRB=True, crop=False)net.setInput(blob)start = time.time()(boxes, masks) = net.forward(["detection_out_final", "detection_masks"])end?=?time.time()

# show timing information and volume information on Mask R-CNNprint("[INFO] Mask R-CNN took {:.6f} seconds".format(end - start))print("[INFO] boxes shape: {}".format(boxes.shape))print("[INFO] masks shape: {}".

這里我們進行了以下操作：

Load the input image? and extract dimensions for scaling purposes later (Lines 47 and 48).

Construct a blob? via cv2.dnn.blobFromImage? (Line 54). You can learn why and how to use this function in my previous tutorial（https://www.pyimagesearch.com/2017/11/06/deep-learning-opencvs-blobfromimage-works/）.

Perform a forward pass of the blob? through the net? while collecting timestamps (Lines 55-58). The results are contained in two important variables: boxes? and masks .

現在我們已經在圖像上執行了口罩R-CNN的正向傳遞，我們想要過濾+可視化我們的結果。這正是下一個for循環要完成的。它很長，所以我把它分成五個代碼塊，從這里開始：

# loop over the number of detected objectsfor i in range(0, boxes.shape[2]):# extract the class ID of the detection along with the confidence# (i.e., probability) associated with the predictionclassID = int(boxes[0, 0, i, 1])confidence?=?boxes[0,?0,?i,?2]

# filter out weak predictions by ensuring the detected probability# is greater than the minimum probabilityif confidence > args["confidence"]:# clone our original image so we can draw on itclone = image.copy()

# scale the bounding box coordinates back relative to the# size of the image and then compute the width and the height# of the bounding boxbox = boxes[0, 0, i, 3:7] * np.array([W, H, W, H])(startX, startY, endX, endY) = box.astype("int")boxW = endX - startXboxH = endY - startY

在這個代碼塊中，我們開啟了一個訓練，不斷根據置信度過濾/并進行可視化(第66行)。

我們繼續提取特定檢測對象的分類和置信度(第69行和第70行)。

在此基礎之上，我們通過將置信度與命令行參數置信度值進行比較，從而過濾掉置信度較低的預測結果，確保超過該值(第74行)。

然后我們縮放對象的邊界框，并計算框的大小(第81-84行)。

圖像分割要求我們找到目標所在的所有像素。因此，我們將在對象的頂部放置一個透明的層，以查看我們的算法執行的效果。為了做到這一點，我們將計算一個掩模：

Mask R-CNN with OpenCV---Python

# extract the pixel-wise segmentation for the object, resize# the mask such that it's the same dimensions of the bounding# box, and then finally threshold to create a *binary* maskmask = masks[i, classID]mask = cv2.resize(mask, (boxW, boxH),interpolation=cv2.INTER_NEAREST)mask = (mask > args["threshold"])

# extract the ROI of the imageroi = clone[startY:endY, startX:endX]

在第89-91行，我們提取了對象的像素級分割，并將其調整為原始圖像的尺寸。最后，我們設置掩碼的閾值，使其成為二進制數組/圖像(第92行)。

我們還提取了對象所在的感興趣區域(第95行)。

在本文后面的圖8中可以看到遮罩和roi的可視化結果。

為了方便起見，下一個代碼塊實現了掩碼、roi和分割實例的可視化，如果通過命令行設置了參數 --visualize的話。

Mask R-CNN with OpenCV---Python

# check to see if are going to visualize how to extract the# masked region itselfif args["visualize"] > 0:# convert the mask from a boolean to an integer mask with# to values: 0 or 255, then apply the maskvisMask = (mask * 255).astype("uint8")instance = cv2.bitwise_and(roi, roi, mask=visMask)

# show the extracted ROI, the mask, along with the# segmented instancecv2.imshow("ROI", roi)cv2.imshow("Mask", visMask)cv2.imshow("Segmented", instance)

這里，我們將興趣區域用顏色表示出來，儲存在原始的框架中。

然后我們繪制矩形框，并顯示類別的顏色和置信度。

最后寫入視頻文件，清除緩存。

#?check?if?the?video?writer?is?Noneif?writer?is?None:#?initialize?our?video?writerfourcc?=?cv2.VideoWriter_fourcc(*"MJPG")writer?=?cv2.VideoWriter(args["output"],?fourcc,?30,(frame.shape[1],?frame.shape[0]),?True)?#?some?information?on?processing?single?frameif?total?>?0:elap?=?(end?-?start)print("[INFO]?single?frame?took?{:.4f}?seconds".format(elap))print("[INFO]?estimated?total?time?to?finish:?{:.4f}".format(elap?*?total))?#?write?the?output?frame?to?diskwriter.write(frame)?#?release?the?file?pointersprint("[INFO]?cleaning?up...")writer.release()vs.release()

我們視頻中的第一個循環迭代

估計所用的處理時間將打印到終端上

我們循環的最后操作是通過編寫器將幀寫入磁盤。

你會注意到，我沒有在屏幕上顯示每個幀。顯示操作非常耗時，當腳本完成處理時，你仍可以使用任何媒體播放器查看輸出視頻。

注意：?此外，OpenCV 不支持 NVIDIA GPU 的 dnn 模塊。目前僅支持數量有限的 GPU，主要是英特爾 GPU。NVIDIA GPU 支持即將推出，但目前我們無法輕松地使用具有 OpenCV dnn 的 GPU.

最后，我們發布視頻輸入和輸出文件指針。

現在，我們已經編碼了我們的Mask R-CNN和OpenCV腳本的視頻流，你可以自己嘗試下！

確保你使用"下載"。

然后，你需要使用智能手機或其他錄制設備收集你自己的視頻。或者，你也可以像我一樣從 YouTube 下載視頻。

現在可以打開終端，執行下面代碼：

$?python?mask_rcnn_video.py?--input?videos/cats_and_dogs.mp4?\--output?output/cats_and_dogs_output.avi?--mask-rcnn?mask-rcnn-coco[INFO]?loading?Mask?R-CNN?from?disk...[INFO]?19312?total?frames?in?video[INFO]?single?frame?took?0.8585?seconds[INFO]?estimated?total?time?to?finish:?16579.2047

圖11：在上面的視頻中，你可以找到包含狗和貓的有趣視頻剪輯，并Mask R-CNN應用在上面！（觀看這個視頻：https://youtu.be/T_GXkW0BUyA）

下面是第二個例子，這里應用OpenCV和Mask R-CNN檢測寒冷天氣下滑動的汽車。

$?python?mask_rcnn_video.py?--input?videos/slip_and_slide.mp4?\--output?output/slip_and_slide_output.avi?--mask-rcnn?mask-rcnn-coco[INFO]?loading?Mask?R-CNN?from?disk...[INFO]?17421?total?frames?in?video[INFO]?single?frame?took?0.9341?seconds[INFO]?estimated?total?time?to?finish:?16272.9920

圖12?利用Python和Opencv將Mask RCNN應用于視頻中的車輛檢測

你可以想象一下，將Mask RCNN應用于擁擠道路上，檢查道路擁擠、車禍和需要幫助的車輛。（觀看視頻：https://www.youtube.com/watch?v=8nbzVARfosE）

文中視頻和音頻的來源：

貓狗：

“Try Not To Laugh Challenge – Funny Cat & Dog Vines compilation 2017”on?YouTube（https://www.youtube.com/watch?v=EtH9Yllzjcc）

“Happy rock” on?BenSound（https://www.bensound.com/royalty-free-music/track/happy-rock）

Slip and Slide：

“Compilation of Ridiculous Car Crash and Slip & Slide Winter Weather – Part 1” on?YouTube（https://www.youtube.com/watch?v=i59v0p-gAtk）

“Epic” on?BenSound（https://www.bensound.com/royalty-free-music/track/epic）

我該怎樣訓練自己的ask R-CNN模型？

圖13：在我的書 Deep Learning for Computer Vision with Python中

Mask RCNN模型的預訓練權重模型是在COCO數據集上訓練得到的。

但是，如果你想在自定義數據集上訓練 Mask ?R-CNN呢？

在我的書Deep Learning for Computer Vision with Python中有詳細介紹。

via?https://www.pyimagesearch.com/2018/11/19/mask-r-cnn-with-opencv/

人工智能

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。