Mask-RCNN代码Mask_RCNN/samples路径下有一个demo.ipynb的文件就是用来测试的，所以我们在这个基础上更改一下，其实主要就是我们新建一个test.ipynb，然后把demo.ipynb代码复制过来，根据需要更改。

一、将demo代码更改
将demo中的代码

COCO_MODEL_PATH = os.path.join(ROOT_DIR, "mask_rcnn_coco.h5")
更改为：这里面的h5文件是我们训练的结果，

COCO_MODEL_PATH = os.path.join(ROOT_DIR, "mask_rcnn_shapes_0005.h5")
demo中代码class InferenceConfig(coco.CocoConfig):也需要进行更改，要与自己的config匹配。

class InferenceConfig(shapeconfig.ShapesConfig):
ShapesConfig类中代码：


from mrcnn.config import Config
class ShapesConfig(Config):
    """Configuration for training on the toy shapes dataset.
    Derives from the base Config class and overrides values specific
    to the toy shapes dataset.
    """
    # Give the configuration a recognizable name
    NAME = "shapes"

    # Train on 1 GPU and 8 images per GPU. We can put multiple images on each
    # GPU because the images are small. Batch size is 8 (GPUs * images/GPU).
    GPU_COUNT = 1
    IMAGES_PER_GPU = 1

    # Number of classes (including background)
    NUM_CLASSES = 1 + 1 # background + 3 shapes

    # Use small images for faster training. Set the limits of the small side
    # the large side, and that determines the image shape.
    IMAGE_MIN_DIM = 448
    IMAGE_MAX_DIM = 640

    # Use smaller anchors because our image and objects are small
    #RPN_ANCHOR_SCALES = (8, 16, 32, 64, 128)  # anchor side in pixels
    RPN_ANCHOR_SCALES = (8 * 6, 16 * 6, 32 * 6, 64 * 6, 128 * 6)

    # Reduce training ROIs per image because the images are small and have
    # few objects. Aim to allow ROI sampling to pick 33% positive ROIs.
    TRAIN_ROIS_PER_IMAGE = 32

    # Use a small epoch since the data is simple
    STEPS_PER_EPOCH = 100

    # use small validation steps since the epoch is small
    VALIDATION_STEPS = 5
二、注意
IMAGE_MIN_DIM = 448

IMAGE_MAX_DIM = 640

是图片的尺寸。（按照自己图片的大小更改）

值得注意的是，Mask_RCNN/mrcnn目录下model.py文件中第1815行到1819行代码

h, w = config.IMAGE_SHAPE[:2]
        if h / 2**6 != int(h / 2**6) or w / 2**6 != int(w / 2**6):
            raise Exception("Image size must be dividable by 2 at least 6 times "
                            "to avoid fractions when downscaling and upscaling."
                            "For example, use 256, 320, 384, 448, 512, ... etc. ")
需要注意图片尺寸的设定最好符合标准，不然会报错。

三、批量保存
这样我们初步可以测试了，但是只能在ipython中一张图片一张图片的测试，且是从images路径下随机取值。

所以我们需要更改代码，获取images文件夹下图片的张数，作为索引，在test.ipynb文件中更改为如下代码：

count = os.listdir(IMAGE_DIR)
for i in range(0,len(count)):
    path = os.path.join(IMAGE_DIR, count)
    if os.path.isfile(path):
        file_names = next(os.walk(IMAGE_DIR))[2]
        image = skimage.io.imread(os.path.join(IMAGE_DIR, count))
        # Run detection
        results = model.detect([image], verbose=1)
        r = results[0]
        visualize.display_instances(count,image, r['rois'], r['masks'], r['class_ids'],
                            class_names, r['scores'])
这时，需要到visualize.py文件中更改，在Mask_RCNN/mrcnn路径下找到该文件打开，更改display_instances类代码，在该类中添加一个参数count，并加上plt.savefig()保存图片到指定路径下：

if auto_show:
        plt.savefig("./test_results/%3s.jpg"%(str(count[4:7])))
        plt.show()
图片命名方式是取被测试图片的第4-7位（我的4-7位是数字）命名。（根据需要可自己改）

四、保存结果
在test_results文件夹中可以正常显示。


---------------------
作者：蹦跶的小羊羔
来源：CSDN
原文：https://blog.csdn.net/yql_617540298/article/details/81123147
版权声明：本文为博主原创文章，转载请附上博文链接！