遮罩R-CNN用于目标检测和分割 这是基于Python 3，Keras和TensorFlow的的实现。 该模型为图像中对象的每个实例生成边界框和分割蒙版。 它基于功能金字塔网络（FPN）和ResNet101主干网。 该存储库包括： 基于FPN和ResNet101构建的Mask R-CNN的源代码。 MS COCO的培训代码 MS COCO的预训练砝码 Jupyter笔记本电脑可在每个步骤可视化检测管线 用于Multi-GPU训练的ParallelModel类 评估MS COCO指标（AP） 在自己的数据集上进行训练的示例 该代码已记录并设计为易于扩展。 如果您在研究中使用它，请考虑参考此存储库。 如果您从事3D视觉工作，您可能会发现我们最近发布的数据集也很有用。 该数据集是由我们的客户捕获的3D重构空间创建的，这些客户同意将其公开提供给学术用途。 您可以看到更多示例。 入门 是最简

1.领域：matlab，Mask-RCNN 2.内容：基于Mask-RCNN的高精度目标检测和识别matlab仿真+代码仿真操作视频 3.用处：用于Mask-RCNN的高精度目标检测和识别算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

官方示例CPU版，显卡不行的可以参考参考，修改自己的训练图像位置和图片分辨率、识别种类就可开始训练

该文档是本人利用Faster-rcnn python版本训练VOC2007数据集时遇到的错误记录

目标检测论文解读1：（RCNN解读）Rich feature hierarchies for accurate object detection...-附件资源

上下文R-CNN 在对象检测库的顶部，。 此实现利用了Detectron2开箱即用的许多功能：多种主干架构选项（例如C4，FPN），使用COCO文件轻松设置，轻松进行分布式培训，Tensorboard日志记录，Pytorch本机混合精度培训等。 环境设定 在开发过程中使用了Detectron2 0.3，Pytorch 1.6和CUDA 10.1。 欢迎使用PR处理新版本的PR，尤其是Detectron2。 对于绝对有效的环境- conda create -n contextrcnn python=3.7 conda activate contextrcnn pip install -r requirements.txt -f \ https://dl.fbaipublicfiles.com/detectron2/wheels/cu101/torch1.6/index.html

介绍利用Faster-RCNN去训练Pascol VOC数据集或者训练自定义数据集。 参考博客：https://blog.csdn.net/weixin_38346042/article/details/125044860?spm=1001.2014.3001.5502

目标检测faster_rcnn源码

mask_rcnn实现车道线，车辆及路面裂缝的检测，运行demo/seg_video.py即可，训练数据集见https://download.csdn.net/download/m0_46384757/85404350?spm=1001.2014.3001.5503