修改自以下原始碼 [Original Codes]

1. 下載此 程式碼 、 cocoapi 及 coco模型檔mask_rcnn_coco.h5
2. 將 Mask_RCNN-master 和 cocoapi-master 個別解壓縮
3. 進入 Mask_RCNN-master 目錄，準備好虛擬環境，執行 pip install -r requirments_fix.txt。
   ※如果要GPU版則改成tensorflow-gpu==1.14.0，需安裝 CUDA 10
4. 進入 cocoapi-master\PythonAPI， 用文字編輯器打開 setup.py，將 12 行改成 extra_compile_args=[], ，並執行 python setup.py install
5. 將 mask_rcnn_coco.h5 放置 Mask_RCNN-master 目錄底下，並移動至該目錄，後續執行程式碼皆在此目錄，完成安裝。

修改部分套件版本號，存至 requirments_fix.txt，並移除 IPython[all]
執行 pip install -r requirments_fix.txt 可一次安裝
※如果要裝GPU版本，記得改成 tensorflow-gpu

numpy
scipy
Pillow
cython
matplotlib
scikit-image==0.16.2
tensorflow==1.14.0
keras==2.2.5
opencv-python==4.1.0.25
h5py==2.10.0
imgaug

• demo.py: 利用預訓練模型測試coco資料集
• demo_train_cat.py: 訓練 coco2014 貓資料集，請將資料集放在dataset底下並保持以下資料結構:
  dataset
  　　|-coco2014
  　　　　|-test
  　　　　|-train
  　　　　|-val
  其中 train 和 val 須包含相同檔名之 .jpg 和 .json 檔案 (如需其他影像檔格式需自行修改code)
  其中 test 僅包含 .jpg 檔案 (如需其他影像檔格式需自行修改code)
  .json檔 利用 labelme 標記後即可生成
  ※資料集可從上次上課的GoogleDrive下載，檔名 coco2014_貓資料集少數_maskrcnn用.zip
• demo_test_cat.py: 測試 coco2014 貓資料集，留意模型路徑
• demo_shape_dataset.py: 修改自matterport/Mask_RCNN/samples/shapes， 因為不用額外下載影像資料庫，可用於測試環境和maskrcc API是否正常

1. 已修改 Mask_RCNN/mrcnn/visualize.py ，將IPython部份去掉