Grayscale && RGB image

1. Config里面
```
IMAGE_CHANNEL_COUNT
MEAN_PIXEL
```
2. Dataset.load_image函数
cv2.imread(**, 0) 读入单通道image数据，然后np.expand_dims

3. load pretrained coco weights的时候
要additonal exclude掉第一层权重，因为INPUT_SHAPE不一样
如果RPN_ANCHOR相关参数改了，还要additonal exclude掉'rpn_model'层

4. visualize.display_instances
因为plt.show需要三通道的输入，所以先把灰度图转成3通道
```
# convert single channel image to 3-channels
if image.shape[-1] == 1:
    image = np.concatenate((image, image, image), axis=2)
```

5. eval.py中modellib.load_image_gt会调用Dataset的load_image函数函数
确保前后一致

Single class && multi- classes

1. Config里面
```
NUM_CLASSES
```
2. load_mask函数
cv2.imread(**, 0) 读入单通道mask数据，然后np.expand_dims

Single object && multi- objects

1. load_mask函数
mask必须是W*H*COUNT，single class -> W*H*1

Dataset

1. 有mask
    参考mytrain的脚本
2. 有json
    参考原工程的Samples

config参数

1. RPN_ANCHOR_SCALES
这个东西要与网络的backbone保持一致，默认ResNet101-FPN结构，详见model.build
RPN用了五个尺度的特征层，因此RPN_ANCHOR_SCALES的shape必须有五个元素

anchors聚类

数据集中mask尺寸比较特殊，用yolo_kmeans跑了下聚类
相应要修改config中的RPN_ANCHOR_SCALES和RPN_ANCHOR_RATIOS
load pretrained coco weights的时候，要additonal exclude掉'rpn_model'层

warning

"Converting sparse IndexedSlices to a dense Tensor of unknown shape. "
[参考](https://github.com/matterport/Mask_RCNN/issues/749)

todoList

1. model.train: 
custom callbacks，不知道有哪些在训练过程中值得关注的指标
2. model
custom losses: unbalance for class branch & mixed loss for mask branch