0.前言

最近需要做一个实例分割的任务，接触到了yolact++。也是刚开始学习，只会用不知道内部啥原理，等需要的时候再去看吧。

先说点儿不相关但比较重要的：计算机视觉中有几大任务（有说四大的有说五大的，但其实大类就那么几种），图片分类、目标检测、实例分割等（还有图片定位、语义分割等，但我感觉差不太多（只是从应用的角度来看）），之前做过图片分类（用的VGG16做的迁移学习）和目标检测（yolov5），这是我第一次接触到实例分割（yolact++），还挺有意思的。给我的感觉就像在PR里面抠图。

关于计算机视觉几大任务的介绍

1.整个流程

我们先对整个流程做一说明，然后再具体说每一步怎么做。整个流程为：

（1）下载Github上的项目
（2）使用labelme打标签
（3）制作COCO格式的数据集
（4）改data/config.py文件
（5）开始训练
（6）测试

其实整个流程真的挺简单的。

2.具体过程

2.1 下载Github上的项目

GitHub上的项目地址在这里：GitHub yolact++
直接下载下来就好，不过我还是建议你下载我这里放的项目，因为这个项目已经下载好了官方之前训练好的模型文件，也对config.py文件进行了相应的修改，只需要进行简单的操作就能训练模型了。当然你直接下载GitHub上的一步步改也没问题。
链接：https://pan.baidu.com/s/1caQjPLKFiw9H6QUocTactg
提取码：syh1

资源来源于B站UP主：小鸡炖技术
资源来源-B站UP主-小鸡炖技术

下载并解压后发现里面有两个文件：cocoapi和yolact-master

这里还是建议用conda创建虚拟环境，没conda的去安装个Anaconda吧。

（1）创建虚拟环境yolact

conda create -n yolact python=3.7
conda activate yolact

（2）安装需要的依赖库

conda install pytorch torchvision cudatoolkit=10.0 
pip install cython opencv-python pillow  matplotlib 

pip安装失败的可以换清华镜像试试：

pip install cython opencv-python pillow  matplotlib  -i https://pypi.tuna.tsinghua.edu.cn/simple/

（3）进入cocoapi/PythonAPI文件夹并安装

cd cocoapi/PythonAPI
python setup.py build_ext install

（4）进入external/DCNv2文件夹并安装

cd external/DCNv2
python setup.py build develop

cd后面的路径根据你的来改。
按上面的步骤准备好后应该就没什么问题了，测试下环境是否弄好了：

python eval.py --trained_model=weights/yolact_plus_resnet50_54_800000.pth --score_threshold=0.15 --top_k=15 --image=test.jpg

出现下面的结果说明弄好了：

否则说明某一步有错，自己好好检查下，可以跟着B站的视频仔细检查，或者自行百度。B站视频-小鸡炖技术

labelme_76">2.2 使用labelme打标签

之前训练yolov5的时候用过labelimg来打标签，当时觉得一个矩形一个矩形画太痛苦了，直到我用了labelme，居然要用多边形把目标一个一个抠出来！啊不过你也确实没有更好的办法了。倒是没什么难度，就是体力活。labelme的界面跟labelimg长得差不多：

这是labelimg的界面：

这是labelme的界面，也就是咱们一会儿要用的标注工具：

labelme_84">2.2.1 安装labelme

安装我是参考的B站这个UP主来的，说得特别详细。他是用conda新建了虚拟环境，不过不用虚拟环境倒是也没啥问题。

B站-如何安装并使用labelme

2.2.2 如何标注

在标注前我们先看下yolact-master\data\coco文件夹下面有什么：

每个文件夹下放什么下面说：

视频里对于labelme的使用也介绍得很详细，其实就是用一个个的点把你的目标给描出来。具体操作如下：
（1）准备好你的数据集，把你的数据集分成两份，一份放在yolact-master\data\coco\train2014文件下，作为训练集，一份放在yolact-master\data\coco\val2014文件夹下，作为测试集。

（2）打开lebelme工具，对两个文件夹下的图片分别进行标注，生成的.json文件直接放在相应文件夹里就行，最后的yolact-master\data\coco\train2014文件夹下长这样：

2.3 制作COCO格式的数据集

我们需要把2.2中标注好的数据集转换成COCO格式的，这样才能训练。其实转换方法很简单：

（1）先激活之前创建好的yolact虚拟环境（如果已经激活就不用管了）：

conda activate yolact

（2）cd到train2014文件夹下：
比如我的命令是：

E:
cd E:\0_postgraduate\yolact_tutorials\yolact-master\data\coco\train2014

（3）然后直接运行labelme2coco.py就行

python labelme2coco.py

这里应该会提醒你缺少相应的库，用pip安装就行，要是速度慢就像前面说的那样换成清华镜像。成功运行后会得到instances_train2014.json文件。

同样的步骤，cd到val2014文件夹下，然后运行labelme2coco.py得到instances_val2014.json文件。

（4）将得到的instances_train2014.json和instances_val2014.json文件移动到annotations文件夹下，像下面这样：

最后可以放一些要检测的图片在test2014文件夹下。

至此，COOC格式的数据集就准备好了。

2.4 改data/config.py文件

在训练前我们需要对yolact-master/data/config.py进行修改，具体只用改两处：
第一处（159行）：

把class_names里面的类别改成与你的数据集对应的。这里注意，如果只有一类的话需要像我一样加个","。

第二处（820行）：

这里修改max_iter，即你的最大迭代次数。

2.5 开始训练

cd到yolact-master文件夹下，运行下面的命令

python train.py  --config=yolact_coco_custom_config --resume=weights/yolact_plus_resnet50_54_800000.pth --only_last_layer --batch_size 2

这里使用的迁移学习（因为数据集较少），–resume后面跟的是基模型，这里已经下载好了不用管，–only_last_layer 意思是只训练模型的最后一层，所以速度很快，也不会占用太多内存。（我的1050，8G内存还能训练呢）。–batch_size是设定每次训练的batch，默认是8，如果报错可以改小点，我改成2就可以了。

训练可能会提前结束，等训练好之后就会在yolact-master\output文件夹下面得到你的训练模型，比如我的是这样：

至此，训练模型结束。

2.6 检测模型

最后对模型进行检测，我们找一些图片放在yolact-master\data\coco\test2014文件夹下，然后使用命令：

python eval.py --trained_model=weights/这里是你训练得到的.pth模型 --score_threshold=0.15 --top_k=15 --images=这里是你放的测试数据地址:这里是你希望输出结果的位置

比如对于我来讲，命令为：

python eval.py --trained_model=output/yolact_coco_custom_39_400.pth --score_threshold=0.15 --top_k=15 --images=data\coco\test2014:results

测试结果如下：


还不错吧，毕竟我的训练集也就20多张图片。

想检测视频的话GItHub上也有说怎么做：
GitHub官网方法

3.总结

整个过程不算特别复杂，但还是那句话，不要奢望只看一篇博客就能解决自己的所有问题。我能保证大体过程没问题，但具体遇到的细节问题肯定每个人都不一样，所以遇到细节问题还是要多百度解决。祝你成功：）