labelme转coco数据集，代码核心来源于labelme；直接调用 labelme2coco(“labelme标记json文件list”,'生成的目标coco数据集')

分段-unet-maskrcnn 使用Unet或Mask RCNN进行卫星图像分割的代码，并比较这两种方法。 请在博客文章“ 查看更多详细信息 开始吧 ：使用翻转（镜像效果），rotate90，上下翻转，左右翻转来增强数据。 数据 maskRCNN的输入数据文件夹结构 训练/有效/测试 jpg（航空影像） jpg4（航空图像+阴影数据） 多边形（蒙版） Unet的输入数据文件夹结构 训练/有效/测试 jpg（航空影像） 丘陵（丘陵阴影数据） 多边形（蒙版）

在Caffe中实现Mask-RCNN。目标分割通用框架Mask R-CNN

Detectron-maskrcnn 训练自己的数据集 数据集为Labelme标注json格式

在Anaconda环境下进行tensorflow-gpu等库的安装

Mask-RCNN 多任务检测源代码， 在同一任务中国检测行人、车辆、飞机、动物等等 各种物品，python实现，加入各种模型，比FasterRCNN强很多

这是maskrcnn keras代码，针对细胞语义分割项目进行了专门的改造，代码中有相应的示例，当这里的代码去掉mask的生成过程，可以当做faster rcnn使用，这是进行细胞语义分割的完整项目，包含训练、测试、记录整个流程

本文来自于arleyzhang博客，本文主要介绍目标检测中两步检测算法的总结对比，提出了一种新的两步检测模型，Light-HeadRCNN，希望会对您的学习有所帮助。Rbg提出的R-CNN的方法1.一张图像先通过selectivesearch的方法，生成1K~2K个候选区域，这个步骤生成的候选区域大小是不一样的，因此需要warpedregion，也就是将不同大小的region缩放到同样的尺寸，因为CNN后面的全连接层要求输入尺寸固定。2.对每个warped后的候选区域，使用CNN提取特征，提取的特征需存储到磁盘；3.读取特征，送入每一类的SVM分类器，判别是否属于该类；4.最终还有一个位置回归

简要概述实例分割任务，从语义分割FCN切入，详细讲解了mask r-cnn框架的各个部分，包括FPN，ROIAlign和mask分支

通过train_shapes.ipynb可以在平台jupyter notebook上进行训练，同时也可以在平台jupyter notebook上将文件转换为python文件，中包括ap.map的计算。