运行Mask RCNN（matterport）的demo
大神源码：20.4k star
https://github.com/matterport/Mask_RCNN
作为新手程序员，在GitHub上查找他人开源项目并深入研究这些项目的源码是一项非常有效的方法。同时我仍然每天都在专注地查看这些开源项目的源码以提升自己的编程能力
我的任务是进行多目标检测，在一张图片中识别出多种植物。起初我以为这是一个图像分类问题，并认为只需应用一个经典的CNN模型就能解决问题。然而事实并非如此。因此我开始利用Tensorflow object detection APIhttps://github.com/tensorflow/models以及Detectron等工具进行开发。
但是让我头疼！不过之后我会补充关于配置环境的详细内容，并包括使用Anaconda进行安装tensorflow和pytorch。
这次先说陪伴我大四一年的代码——Mask RCNN的官方源码。
那段时间，在国内的GitHub下载速度较慢。不清楚原因。曾使用过 GitHub 的国内镜像服务码云（例如[此处可补充链接]），转移至本地仓库后再进行代码克隆操作。后来FQDN转换后就直接在GitHub上进行了代码克隆。
在运行 demo 时遇到了不少问题，并列举了一些需要的软件包作为参考内容。简单来说，在缺少什么软件包时就安装相应的工具即可。最为令人不快的是 tf 和 keras 等相关工具以及英伟达的 cuda、cudnn 系列组件。之后会持续补充更多相关资源以供参考使用
import tensorflow as tf
print(tf.__version__) !pip install scikit-image !pip install keras==2.0.8 !pip install imgaug !pip install pycocotools-win !pip install h5py==2.10 -i https://pypi.tuna.tsinghua.edu.cn/simple/在这台电脑上安装的是tf1.4.0。具体过程看我的jupyter notebook：
<https://github.com/PolarBear-J/PolarBear-J/blob/main/maskrcnn pip something specifically preceding the run.ipynb>
不建议采用命令pip install -r requirements.txt。即便如此会引入多个软件包，在调用时可能会遇到与新版本兼容性问题。然而该maskrcnn模型基于TensorFlow 1.x架构设计，在升级到TensorFlow 2及以上版本时会存在问题。这就意味着需要卸载旧版本并重新安装配置以兼容该模型。相比之下一个一个软件包进行管理更为稳妥和简单