五．复现代码过程 由于官网上的程序是在Liunx系统上的实现，我们要在windows系统需要改一下程序。 1.安装软件：Anaconda3-2019.10-Windows-x86_64，pycharm-professional-2019.3.2，qt-opensource-windows-x86-5.12.0 安装包链接：https://pan.baidu.com/s/1BhGMsln6ZIGkw-XHp0yFdA 提取码：9yjx 2.安装GPU加速器:Cuda10.0+Cudnn7.4.2 安装包链接：https://pan.baidu.com/s/1eS5D6NV2jddcjj5tvai

从RCNN到Faster-RCNN网络结构解析

xiaoshaKK-mask-rcnn-mydata-master.zip

faster-rcnn.zip

基于Faster-RCNN的监控视频摔倒检测 ，党琦，赵衍运，摔倒通常会对人的身体造成伤害，监控视频下的摔倒检测对保障人的安全有着重要的意义。本文对监控视频中的摔倒事件检测问题进行了

遮罩评分R-CNN（MS R-CNN） ，，，。 CVPR 2019口头论文， 该项目基于 。 介绍 包含一个网络模块，用于了解预测的实例遮罩的质量。 所提出的网络块将实例特征和相应的预测掩码一起使用以对掩码IoU进行回归。 遮罩评分策略可在COCO AP评估过程中优先考虑更准确的遮罩预测，从而校准遮罩质量和遮罩得分之间的偏差，并提高实例分割性能。 通过对COCO数据集的广泛评估，Mask Scoring R-CNN通过不同的模型和不同的框架带来一致且显着的收益。 MS R-CNN的网络如下： 安装 检查以获取安装说明。 准备数据 mkdir -p datasets/coco ln -s /path_to_coco_dataset/annotations datasets/coco/annotations ln -s /path_to_coco_dataset/trai

该资源与我的博客《用Tensorflow2.0实现Faster-RCNN的详细代码解析》相配套，使用的数据集是一个公开数据集，在此资源中也是有的，深度学习方面使用Tensorflow2.0框架实现。

文档中有关于coco数据集评价标准的详细计算过程，包括recall,precision,average precision,mean average precision的详细介绍

faster-rcnn骨架

资源包含全部fast-r-cnn模型，模型训练的步骤的相关说明都在资源当中。 框架采用的pytorch,信号灯数据集采用的是我自己标注的信号灯数据集，相关数据集的资源可以在我发布的其他资源里找到，数据集的数量庞大，质量优秀，完全可以胜任模型的训练任务。模型文件经过本人亲自调整和测试，确实有效。训练过程中遇到的问题和解决方法都写在了资源里的说明中，最终训练完成的权重文件也一并打包上传，有任何问题可以留言。