基于Mask R-CNN的锯齿实例分割方法
首先来说一说实例分割，实例分割中的分割是指根据灰度、彩色、空间纹理、几何形状等特征，把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。
实例分割方法的发展历程：
今天分享的主要是基于Mask R-CNN算法的锯齿实例分割方法，这里使用到的平台是CooVally，一款可以帮助用户快速筛选可用AI模型的平台，在此次训练中，最好的mPA为0.819。
下图是此次训练的数据样本集：
关于锯齿实例分割的标签预览：
因为锯齿分割主要是将锯片进行分割，然后识别出各个小齿轮刀片，所以标签就只有一个。
在实例分割中，我们也可以使用自己手动标注的标签：
毕竟实例分割和图像检测是有一定区别的，其区别在于：目标检测中框取目标物体的都是长方形的，而实例分割可以根据物体的轮廓进行选择框选出来。
接下来开始训练的参数设置吧！
这里我们选择了Mask R-CNN算法，每次实验迭代了20次，接下来，我所需要做的便是等待CooVally平台训练结束了，在这期间，顺便写写论文看看书~
平台结束训练后，我们来看一看页面参数吧！
总共训练5次，共耗时2小时31分，在训练列表中会看到有成功也有失败，时间长短也不一致，是因为平台会自动终止不太好的实验训练，以免造成过多的资源浪费。
在实验的详情面，还可以查看到训练损失的折线图。主要来看一下第一次训练吧，最后呈现出一条越来越接近X轴的水平线，甚至趋向于直线，代表训练逐渐收敛。
关于训练列表详情，其中最好的mAP达到了0.819，训练效果还是比较理想的，在右边的操作区，我们可以进行查看训练日志、模型转换等操作。
提一提模型转换，可以选择云端或者边端两种方式进行转换，将模型部署在不同的平台上。
关于CooVally，它支持多种应用类型：目标检测、语义分割、实例分割、图像分类等，还支持多种应用方式：在线或离线自动训练AI模型、数据标注、边缘设备SDK部署模型。
所以，快来试试吧~
Original: https://blog.csdn.net/CooVally_AI/article/details/124301383
Author: Coovally AI模型快速验证
Title: 基于Mask R-CNN的锯齿实例分割方法
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/686840/
转载文章受原作者版权保护。转载请注明原作者出处！