本demo是基于anaconda，opencv，tensorflow，keras等的代码实现 需要下载一个训练模型(模型名称为：mask_rcnn_coco.h5)才能跑起来,模型下载路径在本资源的readme.txt里有说明 首先需要安装好requirements.txt里的包，并运行demo.ipynb即可

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。

 qt绘制遮罩工具功能如下： 1.可控制遮罩绘制时候是起始和终止点是矩形还是圆形 2.可控制遮罩颜色，用户自定义 3.可控制遮罩线条粗细，1~150像素范围内 4.可控制遮罩当前是绘图还是移动图片模式 5.添加橡皮擦功能 6.release模式下，20M以内的图绘制和移动不会卡顿

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

面膜检测-深层神经网络-三重解决方案 遮罩检测问题的三种解决方案，第一种以卷积神经网络的形式呈现，第二种以全连接神经网络的形式呈现，第三种以传递学习神经网络为基础。它们是通过Tensorflow Keras实现的。 背景 该报告介绍了遮罩检测问题及其解决方案。 它包含描述三种不同神经网络的三种配置：第一种是完全连接的网络。 第二个是基于转移学习的网络，第三个是卷积神经网络。 在此报告中，您将找到使用上述模型和其他信息（例如图形，代码行屏幕截图，损失与验证以及其他有助于理解我们的项目的ML概念）解决此问题的完整过程。 资料说明 用于训练模型的数据包含10,000张图像，其中一半显示一个戴着口罩的人，另一半显示未蒙面的人。我们使用的数据包含一个验证集，包含1,000张图片，500张蒙面和500张无遮盖的脸。 第三组用于测试模型，其中包含1,000张图片，500张蒙面和500张非蒙面。 你可以从

遮罩TextSpotter v3 这是ECCV 2020纸的PyTorch。 Mask TextSpotter v3是一种端到端的可训练场景文本查找器，它采用分段提议网络（SPN）而不是RPN。 Mask TextSpotter v3显着提高了旋转，长宽比和形状的鲁棒性。 与Mask TextSpotter的关系 在这里，我们将Mask TextSpotter系列标记为Mask TextSpotter v1（ ，），Mask TextSpotter v2（ ，）和Mask TextSpotter v3（ECCV 2020论文）。 该项目是由Creative Commons Attribution-NonCommercial 4.0 International授予的。部分代码是从继承的，后者已获得MIT许可。 安装 要求： Python3（建议使用Python3.7） PyTorch>

人脸_面具_检测_CNN 基于计算机视觉和深度学习的OpenCV和Pytorch面罩检测系统 数据集 下载数据集： : 训练 训练ResNet50模型：在train_resnet50.ipynb中，选择data_path（安装数据集的位置）和model_dir（应保存训练后的模型的位置）。执行train_resnet50.ipynb 训练MobileNetV2模型：在train_mobilenetv2.ipynb中，选择data_path（安装数据集的位置）和model_dir（应保存经过训练的模型的位置）。执行train_mobilenetv2.ipynb 测验 打开test.ipynb 在导入中：从model_resnet50导入模型中选择以测试ResNet50模型，从model_mobilenetv2导入模型中选择以测试MobileNetV2模型。 选择一个model_p

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