企业官网建设流程全解析

1. 从检测到分割：Mask RCNN 在道路场景中的定位

做道路分割这个方向，绕不开 Mask RCNN。很多人第一次接触它是在目标检测的教程里，觉得它就是个“画框框”的模型，但实际上它在像素级分割上的表现同样能打。我最初拿它跑道路场景，是因为车道线、路沿、可行驶区域这些东西，用纯语义分割（比如 FCN、U-Net）做出来的结果边界糊成一团，尤其是相邻车道之间没有明显颜色差异的时候，分割掩码直接连成一片。Mask RCNN 的实例分割思路恰好能解决这个问题——它不只告诉你“这是路”，还能告诉你“这是第几条路、哪一块区域”。

这篇文章我打算把 Mask RCNN 的源码从头到尾拆一遍，重点放在道路分割这个具体场景下，哪些模块是真正影响最终效果的，哪些参数调了有用、哪些调了白调。适合已经跑过 Demo、想改源码做自己数据集的人，也适合刚入门实例分割、想搞清楚“为什么这么设计”的读者。我不会只贴代码，而是把每个模块背后的设计意图和实际踩坑经验一起讲清楚。

先给个整体认知：Mask RCNN 本质上是在 Faster RCNN 的基础上加了一个 Mask 分支。Faster RCNN 做两件事——区域提议（RPN）和分类回归（RoIHead），Mask RCNN 在 RoIHead 里多了一条并行分支，对每个 RoI 输出一个二值掩码。听起来简单，但源码里的实现细节非常多，尤其是 RoIAlign 这个操作，它直接决定了掩码的精度上限。

道路分割和通用目标分割有个很大的区别：道路是“背景类”还是“前景类”取决于你怎么定义。如果你把可行驶区域当作一个类别来分割，那它其实更像语义分割任务；但如果你要区分不同车道、不同路面材质，那就必须用实例分割。Mask RCNN 的灵活性在于，你可以通过调整类别定义来适配这两种需求。源码里 category 的数量和 mask 的输出通道是绑定的，改的时候要一起改，不然会报维度不匹配。

2. 源码整体架构与数据流拆解

2.1 从输入图像到最终输出的完整链路

Mask RCNN 的源码结构一般分为几个大块：backbone（特征提取）、FPN（特征金字塔）、RPN（区域提议网络）、RoIHead（包含分类、回归、掩码三个分支）。数据从输入图像开始，经过 backbone 得到多尺度特征图，FPN 把这些特征图融合成 P2 到 P5 四层，RPN 在每层上生成锚框并筛选出候选区域，然后 RoIAlign 把候选区域对应的特征抠出来，最后三个分支各自输出结果。

道路分割场景下，backbone 的选择很关键。ResNet50 是默认配置，但如果你要分割的是高分辨率道路图像（比如 4K 航拍图），ResNet50 的 stride 会导致小目标（比如远处的车道线）特征丢失。我试过换成 ResNet101 或者加一个更浅的 P2 层，效果提升明显，但显存占用也上去了。源码里 backbone 的输出通道数决定了后续 FPN 的输入维度，改 backbone 的时候要同步改 FPN 的输入配置，不然会报通道不匹配。

FPN 的作用是把深层语义特征和浅层细节特征融合起来。道路分割里，深层特征负责判断“这是不是路”，浅层特征负责“路的边界在哪”。源码里 FPN 的输出是四个尺度的特征图，每个尺度的通道数默认是 256。这个 256 不是随便定的，它要跟 RPN 和 RoIHead 的输入维度对齐。如果你显存不够想减小通道数，可以改成 128，但要注意 RPN 的锚框数量和 RoIAlign 的输出分辨率也要相应调整，不然精度会掉得厉害。

2.2 配置文件与模块解耦逻辑

Mask RCNN 的源码通常用一个配置文件来管理所有超参数，比如学习率、锚框尺寸、RoIAlign 采样点数等。这种设计的好处是你不用改代码就能做实验，但坏处是配置文件里的参数太多，新手容易改错。我建议先把配置文件里跟道路分割相关的参数挑出来，其他的保持默认。

跟道路分割最相关的参数有几个：NUM_CLASSES（类别数）、MASK_SHAPE（掩码输出分辨率）、ROI_POSITIVE_RATIO（正样本比例）、ANCHOR_SCALES（锚框尺度）。NUM_CLASSES要改成你的类别数加一（背景类），MASK_SHAPE默认是 28x28，如果你要分割的道路区域比较细长，可以改成 56x56，但显存会翻倍。ROI_POSITIVE_RATIO默认是 0.33，道路场景下正样本（道路区域）通常比负样本多，可以适当调高到 0.5，让模型更关注道路。

源码里模块之间的解耦做得比较好，backbone、FPN、RPN、RoIHead 都是独立的类，你可以单独替换其中一个。比如你想把 ResNet 换成 MobileNet 做轻量化，只需要改 backbone 的配置，其他模块不用动。但要注意，不同 backbone 的输出 stride 可能不一样，FPN 的输入层要相应调整。我试过用 MobileNetV2 替换 ResNet50，推理速度提升了将近一倍，但掩码的边界精度下降了不少，尤其是远处的小目标。

3. Backbone 与 FPN：特征提取的关键细节

3.1 ResNet 残差结构在道路场景中的表现

ResNet 的残差结构解决的是深层网络梯度消失的问题，但在道路分割里，它的另一个作用是保留浅层细节。道路的边界往往对应图像里的颜色突变或纹理变化，这些信息在浅层特征里最明显。ResNet 的 stage1 和 stage2 输出的特征图分辨率高，但语义信息弱；stage4 和 stage5 语义强，但分辨率低。FPN 就是把这两类特征融合起来。

源码里 ResNet 的实现通常包含一个conv1和四个 stage，每个 stage 由多个 bottleneck 组成。道路分割场景下，我建议把conv1的 stride 从 2 改成 1，这样第一层输出的特征图分辨率翻倍，对小目标更友好。但这样做的代价是显存占用增加，而且后续 stage 的 stride 要相应调整，不然特征图尺寸对不上。我实测下来，改 stride 之后远处车道线的分割精度提升了大概 5 个百分点，但训练时间增加了 30%。

另一个细节是 bottleneck 里的expansion参数，默认是 4，也就是输出通道是输入通道的 4 倍。这个参数影响的是特征图的通道数，进而影响 FPN 的输入维度。如果你把 expansion 改成 2，通道数减半，显存占用降低，但特征表达能力也会下降。道路分割里，我一般保持默认的 4，因为道路的纹理信息比较丰富，需要足够的通道来编码。

3.2 FPN 多尺度融合的源码实现与调参

FPN 的核心操作是自顶向下的路径聚合和横向连接。源码里通常用FPN类来实现，输入是 backbone 的四个 stage 输出，输出是 P2 到 P5 四层特征图。横向连接用的是 1x1 卷积，把 backbone 各层的通道数统一到 256；自顶向下用的是最近邻上采样，把深层的特征图放大到跟浅层一样大，然后逐元素相加。

道路分割里，FPN 的 P2 层（分辨率最高）对边界分割最重要，P5 层（分辨率最低）对大范围道路区域的判断最重要。源码里默认四层都用，但如果你只关心近处的道路，可以只用 P2 和 P3，减少计算量。我试过只用 P2 和 P3，推理速度提升了 40%，但远处道路的召回率下降了 15%。所以如果你的应用场景里远处道路也很重要，还是老老实实用四层。

FPN 的输出通道数默认是 256，这个值跟 RPN 和 RoIHead 的输入维度绑定。如果你想减小通道数来省显存，可以改成 128，但要注意 RPN 的锚框数量也要相应减少，不然每个锚框的特征维度太高，反而更耗显存。我一般建议保持 256，除非你的显存实在不够。

还有一个容易被忽略的参数是 FPN 的num_outs，默认是 4，对应 P2 到 P5。如果你改了 backbone 的 stride，比如把 conv1 的 stride 改成 1，那 FPN 的输入层数可能变成 5，num_outs也要改成 5。这个参数不匹配的话，源码会直接报错，而且报错信息不太直观，新手容易卡在这里。

4. RPN 与 RoIAlign：区域提议与特征对齐

4.1 RPN 锚框设计与道路形状的匹配

RPN 的作用是在特征图上生成锚框，然后判断每个锚框是前景还是背景，同时回归锚框的位置和大小。源码里锚框的生成是通过AnchorGenerator类实现的，默认的尺度是 [8, 16, 32, 64, 128]，长宽比是 [0.5, 1, 2]。道路分割场景下，道路的形状通常是细长的，长宽比可能达到 5:1 甚至 10:1，所以默认的长宽比不够用。

我一般会把长宽比改成 [0.2, 0.5, 1, 2, 5]，这样能覆盖更细长的道路。锚框的尺度也要根据你的图像分辨率来调。如果你的图像是 1024x1024，道路的宽度大概在 50 到 200 像素之间，那尺度可以设成 [32, 64, 128, 256]。尺度设得太小，锚框覆盖不到道路区域；设得太大，锚框数量爆炸，显存扛不住。

RPN 的另一个关键参数是PRE_NMS_TOPK_TRAIN和PRE_NMS_TOPK_TEST，也就是 NMS 之前保留的锚框数量。默认训练时是 12000，测试时是 6000。道路分割里，正样本（道路区域）通常只占图像的一小部分，如果保留太多锚框，负样本会淹没正样本，导致模型偏向预测背景。我一般会把训练时的值降到 8000，测试时降到 4000，同时把POST_NMS_TOPK从 2000 降到 1000，这样能加快训练速度，精度基本不掉。

4.2 RoIAlign 的精度优势与源码实现

RoIAlign 是 Mask RCNN 相比 Faster RCNN 最大的改进之一。Faster RCNN 用的是 RoIPool，它会把 RoI 对应的特征区域划分成固定数量的格子，然后每个格子取最大值。这个操作有两个问题：一是量化误差，RoI 的边界坐标是浮点数，但 RoIPool 会把它取整，导致特征区域跟实际区域有偏移；二是最大值操作会丢失空间信息，对分割任务不友好。

RoIAlign 取消了量化操作，直接用双线性插值在浮点坐标上采样。源码里RoIAlign类的实现通常包含forward和backward两个方法，forward里会计算每个采样点的坐标，然后用双线性插值从特征图上取值。采样点的数量由sampling_ratio参数控制，默认是 2，也就是每个格子采样 2x2 个点。道路分割里，我建议把sampling_ratio调到 4，这样掩码的边界更精细，尤其是细长的车道线。

RoIAlign 的输出分辨率由pooler_resolution参数控制，默认是 7x7，也就是每个 RoI 输出 7x7 的特征图。这个分辨率对分类和回归够用，但对掩码来说太低了。Mask RCNN 的掩码分支会把 7x7 的特征图再上采样到 28x28，所以实际掩码的分辨率是 28x28。如果你要分割的道路区域比较细，可以把pooler_resolution改成 14x14，掩码分辨率相应变成 56x56，但显存占用会增加不少。

我实测下来，pooler_resolution从 7 改成 14，掩码的 IoU 提升了大概 3 个百分点，但推理速度下降了 20%。如果你的应用对实时性要求不高，这个改动是值得的。另外，sampling_ratio和pooler_resolution是相互独立的，你可以只改其中一个，也可以两个都改，效果叠加。

5. RoIHead 三分支：分类、回归与掩码的协同

5.1 分类与回归分支的源码逻辑

RoIHead 是 Mask RCNN 的核心模块，它包含三个并行分支：分类分支、回归分支、掩码分支。分类分支输出每个 RoI 属于每个类别的概率，回归分支输出每个 RoI 的位置偏移量，掩码分支输出每个 RoI 的二值掩码。源码里这三个分支通常是独立的nn.Module，共享 RoIAlign 的输出特征。

分类分支的结构一般是两层全连接，每层 1024 维，然后接一个输出层，输出维度是NUM_CLASSES。道路分割里，如果你只分“道路”和“背景”两类，输出维度就是 2。但如果你要区分不同车道，输出维度就要相应增加。我建议在分类分支里加一个 dropout 层，概率设成 0.5，这样能防止过拟合，尤其是你的数据集比较小的时候。

回归分支的结构跟分类分支类似，也是两层全连接，但输出维度是NUM_CLASSES * 4，因为每个类别都要预测四个偏移量（dx, dy, dw, dh）。源码里回归的损失函数通常是 smooth L1，它对异常值不敏感，适合道路分割这种边界模糊的场景。我试过用 L2 损失，结果模型对边界附近的像素过度敏感，导致掩码边缘出现锯齿。

分类和回归分支的损失权重在源码里通常是 1:1，但道路分割里分类更重要，因为如果分类错了，回归再准也没用。我一般会把分类的损失权重调到 1.5，回归调到 1.0，这样模型更关注分类精度。这个权重在配置文件里通常叫CLASS_WEIGHT和BOX_WEIGHT，改的时候要注意不要调得太极端，不然训练会不稳定。

5.2 掩码分支的上采样与损失计算

掩码分支是 Mask RCNN 独有的，它的输入是 RoIAlign 的输出特征，经过几层卷积和反卷积之后，输出一个NUM_CLASSES * MASK_SHAPE * MASK_SHAPE的张量。源码里MASK_SHAPE默认是 28，也就是每个类别输出一个 28x28 的掩码。道路分割里，如果你要分割的道路区域比较细长，28x28 可能不够，可以改成 56x56，但显存会翻倍。

掩码分支的损失函数通常是二值交叉熵，但源码里会对每个像素计算损失，然后取平均。这里有个细节：掩码分支的输出是NUM_CLASSES个通道，但每个 RoI 只属于一个类别，所以计算损失的时候只取对应类别的通道，其他通道忽略。这个操作在源码里通常叫mask_target和mask_pred的匹配，如果匹配错了，损失会计算错误，导致模型学不到东西。

我踩过一个坑：掩码分支的输出通道数跟NUM_CLASSES绑定，如果你改了NUM_CLASSES但忘了改掩码分支的输出维度，源码会报维度不匹配。这个错误信息不太直观，新手容易卡在这里。另外，掩码分支的反卷积层数也会影响掩码的精度，层数越多，掩码越精细，但计算量也越大。我一般用两层反卷积，效果和速度比较平衡。

掩码分支的另一个关键参数是MASK_LOSS_WEIGHT，默认是 1.0。道路分割里，掩码的精度比分类和回归更重要，因为最终输出的是像素级的分割结果。我一般会把MASK_LOSS_WEIGHT调到 2.0，让模型更关注掩码的精度。但要注意，调得太高会导致分类和回归的精度下降，因为模型会把所有精力都放在掩码上。我试过调到 3.0，结果分类的准确率掉了 5 个百分点，得不偿失。

6. 训练策略与损失函数调优

6.1 学习率与优化器的选择

Mask RCNN 的训练通常用 SGD 优化器，学习率初始值设成 0.02，动量 0.9，权重衰减 0.0001。这个配置在通用目标检测里表现不错，但道路分割场景下，我建议把初始学习率降到 0.01，因为道路的纹理比较单一，学习率太高容易过拟合。如果你用的是预训练模型，学习率可以再低一点，0.005 左右。

学习率的调度策略也很重要。源码里通常用 step 调度，比如在第 8 个 epoch 和第 11 个 epoch 分别降 10 倍。道路分割里，我建议用 cosine 调度，它能让学习率平滑下降，避免 step 调度带来的震荡。我实测下来，cosine 调度比 step 调度的最终精度高 2 个百分点左右，而且训练过程更稳定。

优化器的选择上，Adam 在道路分割里表现不如 SGD。Adam 的自适应学习率会让模型在训练初期快速收敛，但后期容易陷入局部最优，尤其是道路边界这种需要精细调整的区域。我试过用 Adam，训练 loss 降得很快，但验证集的 IoU 一直上不去，换成 SGD 之后就好了。所以如果你在用 Adam，建议换成 SGD 试试。

6.2 正负样本比例与难例挖掘

道路分割里，正样本（道路区域）通常比负样本（背景）少，尤其是当道路只占图像一小部分的时候。源码里ROI_POSITIVE_RATIO默认是 0.33，也就是正样本占 33%。如果你的道路区域占比不到 10%，这个比例会导致正样本严重不足，模型偏向预测背景。我一般会把ROI_POSITIVE_RATIO调到 0.5，同时用难例挖掘（OHEM）来挑出那些分类错误的负样本，让模型重点学习。

OHEM 在源码里通常是通过Sampling类实现的，它会根据分类损失对负样本排序，挑出损失最大的那些。道路分割里，难例通常是道路边界附近的像素，这些像素容易跟背景混淆。我试过开 OHEM，掩码的边界精度提升了大概 4 个百分点，但训练时间增加了 20%。如果你的数据集比较大，OHEM 是值得开的；如果数据集小，开 OHEM 容易过拟合。

另一个技巧是数据增强。道路分割里，常用的增强包括随机翻转、随机裁剪、颜色抖动。随机翻转要注意，水平翻转对道路分割是安全的，但垂直翻转可能会把天空翻到下面，导致模型学到错误的上下文信息。颜色抖动要控制幅度，太大容易让道路的颜色失真，影响分割精度。我一般用 0.2 的亮度抖动和 0.1 的对比度抖动，效果比较稳。

7. 推理与后处理：从输出到可用掩码

7.1 NMS 与掩码筛选的源码流程

推理阶段，Mask RCNN 的输出是一堆 RoI，每个 RoI 包含分类概率、位置偏移和掩码。源码里会先对分类概率做 NMS，去掉重叠的 RoI，然后根据分类概率阈值筛选出最终的检测结果。道路分割里，NMS 的阈值很关键，设得太高会导致相邻车道被合并，设得太低会导致同一个车道被分成多个 RoI。我一般把 NMS 阈值设成 0.5，这个值在道路分割里比较平衡。

掩码筛选是 Mask RCNN 推理的另一个关键步骤。源码里会对每个 RoI 的掩码做二值化，阈值通常是 0.5。但道路分割里，掩码的边界往往比较模糊，0.5 的阈值可能会导致边界像素被误判。我试过把阈值降到 0.4，掩码的召回率提升了，但精确率下降了。最终我选了一个折中值 0.45，效果比较稳。这个阈值在配置文件里通常叫MASK_THRESH，你可以根据你的数据集调。

还有一个细节是掩码的裁剪。RoIAlign 输出的掩码是固定尺寸的（比如 28x28），但实际 RoI 的大小是变化的，所以需要把掩码裁剪到 RoI 的实际边界。源码里这个操作通常叫mask_to_bbox，它会把掩码的坐标映射回原图。如果映射错了，掩码会跟实际道路区域错位，导致分割结果不可用。我踩过一次坑，映射的时候忘了考虑图像的 padding，结果掩码整体偏移了 10 个像素，调了半天才发现。

7.2 掩码拼接与可视化技巧

推理完成后，每个 RoI 的掩码需要拼接成一张完整的分割图。源码里通常用paste_mask函数来实现，它会把每个掩码按照 RoI 的位置贴到原图上。道路分割里，相邻 RoI 的掩码可能会有重叠，拼接的时候要注意处理重叠区域。我一般用最大值拼接，也就是重叠区域取两个掩码的最大值，这样能避免拼接缝隙。

可视化的时候，我建议把掩码叠加在原图上，用半透明颜色显示，这样能直观地看到分割效果。道路分割里，我一般用绿色表示道路，红色表示背景，这样对比度高，容易发现问题。如果你要输出分割结果给下游任务用，建议保存成二值图或者类别索引图，不要保存成彩色图，因为彩色图会引入额外的颜色误差。

还有一个实用技巧是掩码的平滑处理。Mask RCNN 输出的掩码边界往往有锯齿，尤其是当MASK_SHAPE比较小的时候。我一般会用高斯滤波对掩码做平滑，sigma 设成 1.0，这样边界会柔和一些，但不会过度模糊。如果你要分割的是车道线这种细长目标，平滑的时候要小心，sigma 太大会把车道线抹掉。我试过 sigma=2.0，结果细车道线直接消失了，后来改成 0.5 才保住。

8. 常见问题与排查技巧实录

8.1 训练不收敛与 loss 震荡的排查

训练 Mask RCNN 最常见的问题是 loss 不收敛或者震荡。我遇到过几次，排查下来通常是几个原因：学习率太高、正负样本比例失衡、锚框尺寸跟目标尺寸不匹配。学习率太高的话，loss 会在初期快速下降然后反弹，这时候把学习率降 10 倍基本能解决。正负样本比例失衡的话，分类 loss 会一直很高，降不下去，这时候调ROI_POSITIVE_RATIO或者开 OHEM。

锚框尺寸不匹配的话，RPN 的 loss 会很高，尤其是回归 loss。你可以把锚框的尺度打印出来，跟你的数据集里目标的实际尺寸对比一下。如果锚框的尺度跟目标尺寸差太多，RPN 很难生成高质量的候选区域，后续的分割精度也会受影响。我一般会把锚框的尺度设成目标尺寸的 0.5 到 2 倍之间，这样覆盖比较全。

还有一个容易被忽略的原因是数据标注的质量。道路分割里，如果标注的边界不准确，模型学到的就是错误的边界，loss 自然降不下去。我建议在训练之前先可视化一下标注，看看边界是否准确、是否有漏标。如果标注质量差，再好的模型也救不回来。

8.2 掩码精度低的常见原因与解决

掩码精度低是道路分割里最头疼的问题。我总结下来，原因通常有几个：MASK_SHAPE太小、sampling_ratio太低、掩码损失权重不够、RoIAlign 的输出分辨率太低。MASK_SHAPE默认是 28，如果你要分割的道路区域比较细，可以改成 56。sampling_ratio默认是 2，改成 4 能提升边界精度。掩码损失权重默认是 1.0，改成 2.0 能让模型更关注掩码。

RoIAlign 的输出分辨率由pooler_resolution控制，默认是 7，改成 14 能提升掩码精度，但显存会翻倍。我一般会先改MASK_SHAPE和sampling_ratio，这两个改动对显存的影响比较小，效果也比较明显。如果还不够，再改pooler_resolution。另外，掩码的后处理也很重要，NMS 阈值和掩码二值化阈值都会影响最终精度，建议多试几组值，找到最适合你数据集的组合。

还有一个隐藏原因是 backbone 的特征提取能力不够。如果你用的是轻量级 backbone（比如 MobileNet），掩码精度天然会比 ResNet 低。这时候可以考虑用知识蒸馏，用一个大的 ResNet 模型教小的 MobileNet 模型，这样能在保持速度的同时提升精度。我试过用 ResNet101 教 MobileNetV2，掩码 IoU 提升了 3 个百分点，推理速度基本没变。

8.3 显存不足与推理速度慢的优化

显存不足是 Mask RCNN 训练时的常见问题。优化方法有几个：减小 batch size、降低MASK_SHAPE、减少 FPN 的输出通道数、用混合精度训练。batch size 从 2 降到 1 能省一半显存，但训练会不稳定，建议配合梯度累积使用。MASK_SHAPE从 28 降到 14 能省不少显存，但掩码精度会下降。FPN 的输出通道数从 256 降到 128 也能省显存，但特征表达能力会减弱。

混合精度训练是省显存的大杀器，能把显存占用降低 30% 到 50%，而且速度还能提升。源码里通常用torch.cuda.amp来实现，你只需要在训练循环里加几行代码。但要注意，混合精度训练对 loss 缩放比较敏感，如果 loss 出现 NaN，要把缩放因子调小。我一般用默认的缩放因子 2^16，大部分情况下没问题。

推理速度慢的话，可以从几个方面优化：减小输入图像的分辨率、减少 RPN 的锚框数量、用 TensorRT 或者 ONNX 做推理加速。输入分辨率从 1024 降到 512，推理速度能提升一倍，但小目标的精度会下降。RPN 的锚框数量从 12000 降到 6000，推理速度能提升 20% 左右。TensorRT 的加速效果最明显，能提升 2 到 3 倍，但转换过程比较麻烦，需要处理自定义层。

9. 道路分割场景下的源码修改实战

9.1 类别定义与数据集适配

道路分割的数据集标注格式通常跟 COCO 不一样，你需要写一个自定义的 Dataset 类来适配。源码里通常有一个COCODataset类，你可以参考它的实现，把标注解析部分改成你的格式。关键是要保证输出的标注包含boxes、labels、masks三个字段，而且坐标要归一化到 0 到 1 之间。

类别定义方面，如果你只分“道路”和“背景”，NUM_CLASSES设成 2。但要注意，源码里的类别索引通常从 1 开始，0 是背景。所以你的标注里道路的 label 要设成 1，背景设成 0。如果你要区分不同车道，NUM_CLASSES相应增加，标注里的 label 也要对应。我踩过一次坑，标注里用了 0 表示道路，结果模型把道路当成了背景，训练了半天精度一直是 0。

数据集的划分也很重要。道路分割里，不同场景（城市道路、乡村道路、高速公路）的分布差异很大，如果训练集和验证集的场景分布不一致，验证精度会虚高。我建议按场景划分，保证训练集和验证集里都有各种场景。另外，如果某个场景的样本特别少，可以用过采样或者数据增强来平衡。

9.2 自定义评估指标与可视化

道路分割的评估指标通常用 IoU 或者 Dice 系数，源码里默认的评估指标是 COCO 的 mAP，这个指标对分割任务不太直观。我建议自己写一个 IoU 计算函数，在验证的时候输出每个类别的 IoU。IoU 的计算要注意，掩码的边界像素往往比较模糊，我一般会先把掩码二值化，然后再算 IoU。

可视化方面，我建议在训练过程中定期保存一些验证集的预测结果，叠加在原图上。这样能直观地看到模型的进步，也能及时发现过拟合。我一般每 5 个 epoch 保存一次，保存的时候用不同的颜色区分不同类别，这样看起来更清楚。如果发现某个类别的掩码一直很差，可以针对性地调整那个类别的损失权重。

还有一个实用技巧是错误分析。把预测错误的掩码挑出来，看看是分类错了还是边界不准。如果是分类错了，可能是类别定义有问题或者样本不均衡；如果是边界不准，可能是MASK_SHAPE或者sampling_ratio不够。我一般会挑 10 到 20 个错误样本，逐个分析，这样能快速定位问题。

10. 一些实操心得与避坑建议

源码解析这件事，光看是不够的，一定要动手改。我最初看 Mask RCNN 源码的时候，觉得每个模块都懂了，但一改就报错。后来我养成了一个习惯：每改一个参数，就打印一下中间输出的维度，确认跟预期一致。这个习惯帮我省了很多调试时间。

道路分割里，我最常改的参数是MASK_SHAPE、sampling_ratio、ROI_POSITIVE_RATIO和ANCHOR_SCALES。这四个参数对最终精度的影响最大，而且改动起来比较安全，不会导致源码报错。其他的参数我一般保持默认，除非有明确的需求。改参数的时候，我建议一次只改一个，改完跑一遍验证，确认有效再改下一个。同时改多个参数的话，出了问题很难定位是哪个参数导致的。

还有一个坑是预训练模型的选择。Mask RCNN 的预训练模型通常是在 COCO 上训练的，COCO 里的类别跟道路分割的类别差异很大。如果你直接用 COCO 的预训练模型，分类分支的权重可能不太适用，但 backbone 和 FPN 的权重还是很有用的。我一般会冻结 backbone 的前几层，只训练后面的层和 RoIHead，这样能加快收敛，也能防止过拟合。

最后分享一个小技巧：如果你要分割的道路区域特别大，比如整张图都是道路，那 Mask RCNN 的 RoIAlign 可能会把整个图当成一个 RoI，导致掩码分辨率不够。这时候可以把图像切成小块，分别做分割，然后再拼接起来。切块的时候要注意重叠区域，避免拼接缝隙。我试过切块之后，掩码的边界精度提升了 5 个百分点，但推理时间增加了 50%。如果你的应用对精度要求高，这个方法是值得的。