1.概述

OpenCV-4.0的dnn模块加入了对Mask R-CNN模型的支持，通过OpenCV提供的接口，可以直接加载已经训练好的Mask R-CNN模型。我根据learnopencv/Mask-RCNN提供的方法成功实现了Mask R-CNN模型（已在COCO数据集上训练）的调用，下面是详细过程。

2.相关工作

2.1）环境安装

OpenCV版本要求：>= 4.0（OpenCV的安装过程此处不做讨论）

2.2）源码及相关文件
源码与相关文件可以通过learnopencv/Mask-RCNN获得，虽然github并不提供下载仓库内单个文件夹的途径，但是复制目录的链接到DownGit下载。

2.3）文件夹结构

Mask-RCNN/ 
        |—— LICENSE
        |—— README.md
        |—— cars.jpg
        |—— cars.mp4
        |—— colors.txt
        |—— mask_rcnn.cpp
        |—— mask_rcnn.out
        |—— mask_rcnn.py
        |—— mask_rcnn_inception_v2_coco_2018_01_28.pbtxt
        |—— mscoco_labels.names

文件夹中提供了调用模型需要用到的配置文件、源码（C++/Python）、测试资源。colors.txt和mscoco_labels.names分别用于记录与类别相关的掩码颜色和目标名称；mask_rcnn_inception_v2_coco_2018_01_28.pbtxt描述了神经网络模型的结构（但是并不记录权值等具体信息）。

3.调用模型

learnopencv/Mask-RCNN提供了C++和Python两种语言的源码，并且在README.md中详细描述了运行方法，下面做一些简单的翻译工作。

README.md


1. 下载并解压神经网络的模型文件
> wget http://download.tensorflow.org/models/object_detection/mask_rcnn_inception_v2_coco_2018_01_28.tar.gz 
> tar zxvf mask_rcnn_inception_v2_coco_2018_01_28.tar.gz

2. Python的运行方法
python3 mask_rcnn.py --image=cars.jpg
python3 mask_rcnn.py --video=cars.mp4

3. C++的运行方法

3.1. 编译
这一步本人使用了cmake配置编译，了解cmake使用方法的读者可以使用下面提供的CmakeLists.txt。

3.2. 运行
> ./mask_rcnn.out --image=cars.jpg
> ./mask_rcnn.out --video=cars.mp4

CMakeLists.txt

cmake_minimum_required(VERSION 2.8)

project(mask_rcnn)

find_package( OpenCV 4.0 REQUIRED )

include_directories(
    ${OpenCV_INCLUDE_DIRS}
)

add_executable(${PROJECT_NAME} "./mask_rcnn.cpp")
target_link_libraries(${PROJECT_NAME} ${OpenCV_LIBS})