matterport/Mask_RCNN のインストールと動作確認（Mask RCNN によるインスタンス・セグメンテーション）（Python 3.7，TensorFlow 1.15.5, Keras 2.3.1 を使用）（Windows 上）

前準備

Git のインストール（Windows 上）

Gitは，バージョン管理システム．ソースコードの管理や複数人での共同に役立つ．

【サイト内の関連ページ】

Windows での Git のインストール: 別ページ »で説明している．

【関連する外部ページ】

Git の公式ページ: https://git-scm.com/

Python 3.7 64 ビット版のインストール，pip と setuptools の更新，Python 開発環境のインストール（Windows 上）

① Python 3.7 64 ビット版のインストール（Windows 上）

【Python 3.7 のインストール手順の詳細（別ページ） 】

Windows での Python 3.7 のインストール: 別ページ »で説明している．

【Python の公式ページ】

https://www.python.org/

【インストール手順の概要】

1. Python の URL を開く

   URL: https://www.python.org

2. Windows 版の Python 3.7 をダウンロード

   ページの上の方にある「Downloads」をクリック，「Downloads」の下にメニューが出るので，その中の「Windows」をクリック．

   そして，Python 3.7.x (x は数字）を探す．

   そして，Windows の 64ビット版のインストーラをダウンロードしたいので，「Windows x86-64 executable installer」を選ぶ

   
3. インストール時の設定
   1. いまダウンロードした .exe ファイルを右クリック， 右クリックメニューで「管理者として実行」を選ぶ．
      
   2. Python ランチャーをインストールするために，「Install launcher for all users (recommended)」をチェック．

      ※ すでに Python ランチャーをインストール済みのときは， 「Install launcher for all users (recommended)」がチェックできないようになっている場合がある．そのときは，チェックせずに進む．

   3. 「Add Python 3.7 to PATH」をチェック.
      
   4. 「Customize installation」をクリック．
      
   5. オプションの機能 (Optional Features)は，既定（デフォルト）のままでよい． 「Next」をクリック
      
   6. 「Install for all users」を選ぶ．

      Python のインストールディレクトリは，「C:\Program Files\Python37」のように自動設定されることを確認．

      「Install」をクリック

      
   7. 「Disable path length limit」が表示される場合がある．クリックして，パス長の制限を解除する
      
   8. インストールが終了したら，「Close」をクリック
4. インストールのあと，Windows のスタートメニューに「Python 3.7」が増えていることを確認．
5. システムの環境変数 Path の確認のため，新しくコマンドプロンプトを開き，次のコマンドを実行する．

   py とpip にパスが通っていることの確認である．

   where py
   where pip
   

   where py では「C:\Windows\py.exe」 が表示され， where pip では「C:\Program Files\Python37\scripts\pip.exe」 が表示されることを確認．

   

② pip と setuptools の更新（Windows 上）

1. Windows で，コマンドプロンプトを管理者として実行

   Windows で pip を実行するときは，コマンドプロンプトを管理者として開き，それを使って pip を実行することにする．

   コマンドプロンプトを管理者として実行: 別ページ »で説明

2. 次のコマンドを実行する

   Python の使用は「py -3.7」で行う．

   py -3.7 -m pip install -U pip setuptools
   

   

③ Python 開発環境として，Python の隔離された環境に，Python コンソール（Jupyter Qt Console）, Jupyter ノートブック (Jupyter Notebook), Jupyter Lab, Nteract をインストール

1. Windows で，コマンドプロンプトを管理者として実行

   コマンドプロンプトを管理者として実行: 別ページ »で説明

2. venv を用いて，Python の仮想環境を作成

   次のコマンドを実行する

   py -3.7 -m pip install -U pip setuptools
   py -3.7 -m venv C:\venv\py37
   

3. Python の仮想環境の使用開始と，Python 開発環境のインストール

   次のコマンドを実行する

   Python の使用は「C:\venv\py37\scripts\activate.bat」の後，「python」で行う．

   C:\venv\py37\scripts\activate.bat
   python -m pip install -U pip setuptools jupyterlab jupyter jupyter-console jupytext nteract_on_jupyter PySide6
   

Visual Studio Community 2017，NVIDIA ドライバ，NVIDIA CUDA ツールキット 10.0，NVIDIA cuDNN 7.6.5 のインストール（Windows 上）

Windows での Visual Studio Community 2017，NVIDIA ドライバ，NVIDIA CUDA ツールキット 10.0，NVIDIA cuDNN 7.6.5 のインストール: 別ページ »で説明している．

インストール

1. Windows で，コマンドプロンプトを管理者として実行

   コマンドプロンプトを管理者として実行: 別ページ »で説明

2. pycocotools のインストール

   python -m pip install -U cython
   python -m pip install "git+https://github.com/philferriere/cocoapi.git#egg=pycocotools&subdirectory=PythonAPI"
   

   
3. matterport/Mask_RCNN のインストール

   cd %HOMEPATH%
   rmdir /s /q Mask_RCNN
   git clone https://github.com/matterport/Mask_RCNN
   cd Mask_RCNN
   C:\venv\py37\scripts\activate.bat
   python -m pip install -r requirements.txt
   python -m pip uninstall -y tensorflow tensorflow-gpu tensorflow-intel keras tensorboard tensorflow-estimator
   python -m pip install tensorflow-gpu==1.15.5 keras==2.3.1
   python setup.py build
   python setup.py install 
   

Mask RCNN によるインスタンス・セグメンテーション

Python コンソールで，SSD.ipynb に記載のコマンドを実行しながら結果を確認したい．結果は，画像などでプロットされる場合がある．

Windows での手順を下に示す．Ubuntu でも同様の手順になる．

1. Windows で，コマンドプロンプトを実行．
2. カレントディレクトリ

   cd %HOMEPATH%\Mask_RCNN
   

   
3. jupyter qtconsole の起動

   これ以降の操作は，jupyter qtconsole で行う．

   C:\venv\py37\scripts\activate.bat
   jupyter qtconsole
   

4. ROOT_DIR の設定

   エラーメッセージが出ないことを確認

   import os
   ROOT_DIR = os.environ['HOMEPATH'] + '\\Mask_RCNN'
   

   
5. 前準備

   前準備 として、mask_rcnn_coco.h5 のダウンロードなどを行う

   import os
   import sys
   import random
   import math
   import numpy as np
   import skimage.io
   import matplotlib
   %matplotlib inline
   import matplotlib.pyplot as plt
   import warnings
   warnings.filterwarnings('ignore')   # Suppress Matplotlib warnings
   import imgaug
   
   # Import Mask RCNN
   sys.path.append(ROOT_DIR)  # To find local version of the library
   from mrcnn import utils
   import mrcnn.model as modellib
   from mrcnn import visualize
   # Import COCO config
   sys.path.append(os.path.join(ROOT_DIR, "samples/coco/"))  # To find local version
   
   
   # Directory to save logs and trained model
   MODEL_DIR = os.path.join(ROOT_DIR, "logs")
   
   # Local path to trained weights file
   COCO_MODEL_PATH = os.path.join(ROOT_DIR, "mask_rcnn_coco.h5")
   # Download COCO trained weights from Releases if needed
   if not os.path.exists(COCO_MODEL_PATH):
       utils.download_trained_weights(COCO_MODEL_PATH)
   
   # Directory of images to run detection on
   IMAGE_DIR = os.path.join(ROOT_DIR, "images")
   

   
6. 設定

   import coco
   class InferenceConfig(coco.CocoConfig):
       # Set batch size to 1 since we'll be running inference on
       # one image at a time. Batch size = GPU_COUNT * IMAGES_PER_GPU
       GPU_COUNT = 1
       IMAGES_PER_GPU = 1
   
   config = InferenceConfig()
   config.display()
   

   
7. 学習済みデータのロード

   # Create model object in inference mode.
   model = modellib.MaskRCNN(mode="inference", model_dir=MODEL_DIR, config=config)
   
   # Load weights trained on MS-COCO
   model.load_weights(COCO_MODEL_PATH, by_name=True)
   

   
8. クラス名の設定

   # COCO Class names
   # Index of the class in the list is its ID. For example, to get ID of
   # the teddy bear class, use: class_names.index('teddy bear')
   class_names = ['BG', 'person', 'bicycle', 'car', 'motorcycle', 'airplane',
                  'bus', 'train', 'truck', 'boat', 'traffic light',
                  'fire hydrant', 'stop sign', 'parking meter', 'bench', 'bird',
                  'cat', 'dog', 'horse', 'sheep', 'cow', 'elephant', 'bear',
                  'zebra', 'giraffe', 'backpack', 'umbrella', 'handbag', 'tie',
                  'suitcase', 'frisbee', 'skis', 'snowboard', 'sports ball',
                  'kite', 'baseball bat', 'baseball glove', 'skateboard',
                  'surfboard', 'tennis racket', 'bottle', 'wine glass', 'cup',
                  'fork', 'knife', 'spoon', 'bowl', 'banana', 'apple',
                  'sandwich', 'orange', 'broccoli', 'carrot', 'hot dog', 'pizza',
                  'donut', 'cake', 'chair', 'couch', 'potted plant', 'bed',
                  'dining table', 'toilet', 'tv', 'laptop', 'mouse', 'remote',
                  'keyboard', 'cell phone', 'microwave', 'oven', 'toaster',
                  'sink', 'refrigerator', 'book', 'clock', 'vase', 'scissors',
                  'teddy bear', 'hair drier', 'toothbrush']
   
   

   
9. 画像からのオブジェクト検出

   # Load a random image from the images folder
   file_names = next(os.walk(IMAGE_DIR))[2]
   image = skimage.io.imread(os.path.join(IMAGE_DIR, random.choice(file_names)))
   
   # Run detection
   results = model.detect([image], verbose=1)
   
   # Visualize results
   %matplotlib inline 
   r = results[0]
   visualize.display_instances(image, r['rois'], r['masks'], r['class_ids'], 
                               class_names, r['scores'])
   

   実際の動作画面

   画像はランダムで選択されるので、違う画像が表示されても問題なし