一. 環境準備

       本文介紹如何通過 Mask-RCNN 來實現行人檢測，假設你已經對 SSD、YOLO、Faster RCNN 等框架有所瞭解。

1. 準備 TensorFlow 環境

     Tensorflow (>= 1.0.0)

     Numpy

2. Gtihub 程式碼

3. 下載CoCo資料

      Web下載比較慢，可以從我的網盤下載：【百度網盤】

4. 下載 ReNet50

   wget http://download.tensorflow.org/models/resnet_v1_50_2016_08_28.tar.gz

      解壓得到  resnet_v1_50.ckpt

二. 程式碼編譯執行

       程式碼編譯可以參考 Github 說明，這裡也給出如下流程：

1. make coco工具

  cd ./libs/datasets/pycocotools
  make 

2. 將下載的 COCO 資料放到 ./data 目錄下，將資料轉換成 tf 所需格式；

    按照說明檔案：

        a）在 data下建一個 coco 資料夾，將指定的5個檔案 copy到該目錄；

        b）將zip檔案解壓縮；

        c）在根目錄下建立 output/mask_rcnn 資料夾，用於存放 log；

        d）執行格式轉換指令碼（大概會花一小時）；

   python download_and_convert_data.py

   sudo pip install pil   # or python -m pip install Pillow
   sudo pip install scikit-image
   sudo apt-get install python3-tk

3. 提前訓練好的 Resnet模型

    在data下新建 pretrained_models 目錄，將 resnet_v1_50.ckpt 放到目錄下。

4. Make編譯    

  cd ./libs
  make

5. 訓練資料

  python ../train/train.py
 

        
當你觀察到Loss的時候，說明訓練過程已經成功開始了，不要著急，等著Loss慢慢減少吧，原作者訓練 8-GPU 花了32個小時。

三. 訓練效果

       根據訓練生成的 Log檔案，存放在 output裡面：

       設定 TensorBoard 的logdir，來看一下訓練效果： 

       可以看到整個的 loss 的變化情況，還是很有成就感的，需要說明一下，在訓練過程中可能 loss 會有震盪的情況，沒有關係，等到逐漸下降就好了。

       看一下生成的 Graphs：

四. Demo 執行

       Github 上未給出 Demo 執行方法，需要我們自己找指令碼來實現。