关于新版mask的疑问：

[xinsuinizhuan]

net.forward(netOutputImg, outputLayerName); //获取output的输出
netOutputImg[1]为mask数据，数据大小应该为：132160*160，但是这里这个维度应该是咋样的？
正常推理处理这个mask数据应该是一维数组，怎么变成相应维度呢？
另外，进行GetMask2的时候：
for (int i = 0; i < temp_mask_proposals.size(); ++i) {
GetMask2(Mat(temp_mask_proposals[i]).t(), netOutputImg[1], params, SrcImg.size(), output[i]);
}

里面：
vectorcv::Range roi_rangs;
roi_rangs.push_back(cv::Range(0, 1));
roi_rangs.push_back(cv::Range::all());
roi_rangs.push_back(cv::Range(rang_y, rang_h + rang_y));
roi_rangs.push_back(cv::Range(rang_x, rang_w + rang_x));

//crop
cv::Mat temp_mask_protos = maskmat(roi_rangs).clone();

这个cv::Range::all()是啥意思，这个maskmat维度不对，直接会导致maskmat(roi_rangs).clone()崩溃！

[UNeedCryDear]

netOutputImg[1]是mask的特征矩阵，需要和第一个输出中长度为32的特征掩码进行矩阵乘法之后得到1x160x160大小的mask图像，然后缩放两次（第一次是640x640（也就是mask比推理图像缩小了mask-ratio,默认为4），第二次从640x640开始）回到原图大小，至于你说的一维数组，我没搞懂你在说哪个是一维数组。
all() 就是第二个维度的32个通道数据全部要啊。其他通道根据你原来的检测框缩放到特征图上面的大小，将矩形区域切割出来。然后用小特征图与特征掩码进行计算减少计算量。

至于你说的报错的话，检查一下看看roi_rangs的第3和第4维度是不是超过160了，或者某个值为0了。那你详细看下注释的部分，我写了代码啊，你用这个运行看下
https://github.com/UNeedCryDear/yolov5-seg-opencv-dnn-cpp/blob/5b3629a4818ce4f88f440ce9999f633d59c8bd41/yolo_seg.cpp#L223

[xinsuinizhuan]

netOutputImg[1]是mask的特征矩阵，需要和第一个输出中长度为32的特征掩码进行矩阵乘法之后得到1x160x160大小的mask图像，然后缩放两次（第一次是640x640（也就是mask比推理图像缩小了mask-ratio,默认为4），第二次从640x640开始）回到原图大小，至于你说的一维数组，我没搞懂你在说哪个是一维数组。 all() 就是第二个维度的32个通道数据全部要啊。其他通道根据你原来的检测框缩放到特征图上面的大小，将矩形区域切割出来。然后用小特征图与特征掩码进行计算减少计算量。 至于你说的报错的话，检查一下看看roi_rangs的第3和第4维度是不是超过160了，或者某个值为0了。那你详细看下注释的部分，我写了代码啊，你用这个运行看下

https://github.com/UNeedCryDear/yolov5-seg-opencv-dnn-cpp/blob/5b3629a4818ce4f88f440ce9999f633d59c8bd41/yolo_seg.cpp#L223

嗯。按照你说的偶尔会报错，按如下修改后，不报错了：
int rang_x = floor((temp_rect.x * params[0] + params[2]) / _netWidth * mask_rows);
int rang_y = floor((temp_rect.y * params[1] + params[3]) / _netHeight * mask_cols);
int rang_w = ceil(((temp_rect.x + temp_rect.width) * params[0] + params[2]) / _netWidth * mask_rows) - rang_x;
int rang_h = ceil(((temp_rect.y + temp_rect.height) * params[1] + params[3]) / _netHeight * mask_cols) - rang_y;
//rang_w = MAX(rang_w, 1);
//rang_h = MAX(rang_h, 1);
if ((rang_x + rang_w) > mask_rows) {
if (mask_rows - rang_x > 0)
rang_w = mask_rows - rang_x;
else
rang_x -= 1;
}
if ((rang_y + rang_h) > mask_cols) {
if (mask_cols - rang_y > 0)
rang_h = mask_cols - rang_y;
else
rang_y -= 1;
}
rang_x = MAX(rang_x, 0);
rang_y = MAX(rang_y, 0);
rang_w = MIN(MAX(rang_w, 1), mask_rows);
rang_h = MIN(MAX(rang_h, 1), mask_cols);
int roi_w = MIN(rang_w + rang_x, mask_rows);
int roi_h = MIN(rang_h + rang_y, mask_cols);

	vector<cv::Range> roi_rangs;
	roi_rangs.push_back(cv::Range(0, 1));
	roi_rangs.push_back(cv::Range::all());
	roi_rangs.push_back(cv::Range(rang_y, roi_h));
	roi_rangs.push_back(cv::Range(rang_x, roi_w));

	//crop
	cv::Mat temp_mask_protos = maskmat(roi_rangs).clone();
	cv::Mat protos = temp_mask_protos.reshape(0, { mask_channel,rang_w * rang_h });
	cv::Mat matmulRes = (mask_proposals * protos).t();
	cv::Mat masks_feature = matmulRes.reshape(1, { rang_h,rang_w });
	cv::Mat dest, mask;

[xinsuinizhuan]

新版的还是有点问题，
int rang_x = floor((temp_rect.x * params[0] + params[2]) / _netWidth * mask_rows);
int rang_y = floor((temp_rect.y * params[1] + params[3]) / _netHeight * mask_cols);
int rang_w = ceil(((temp_rect.x + temp_rect.width) * params[0] + params[2]) / _netWidth * mask_rows) - rang_x;
int rang_h = ceil(((temp_rect.y + temp_rect.height) * params[1] + params[3]) / _netHeight * mask_cols) - rang_y;
这几个参数，很容易崩溃，并且出来的分割图像，会有竖道道：

[UNeedCryDear]

你的row是宽度？cols是高度？
除非mask的长宽一致吗？不然你这里就错了。
另外，你这个条纹状我没有出现，你试试看下yolo-seg的原始模型有无这种情况，或者使用旧版本的GetMask看下有无问题。旧版本还这样的话就是你模型本身就有问题，或者你提供模型和图片我看下

[UNeedCryDear]

新版的还是有点问题， int rang_x = floor((temp_rect.x * params[0] + params[2]) / _netWidth * mask_rows); int rang_y = floor((temp_rect.y * params[1] + params[3]) / _netHeight * mask_cols); int rang_w = ceil(((temp_rect.x + temp_rect.width) * params[0] + params[2]) / _netWidth * mask_rows) - rang_x; int rang_h = ceil(((temp_rect.y + temp_rect.height) * params[1] + params[3]) / _netHeight * mask_cols) - rang_y; 这几个参数，很容易崩溃，并且出来的分割图像，会有竖道道：

这几个参数是计算最终检测框在mask图片上面的mask区域，由于需要抠图，所以需要保证其矩形区域的合法性就行，比如不能超过mask的长宽，矩形长宽不能为0，满足这些条件才能抠图

[xinsuinizhuan]

你的row是宽度？cols是高度？ 除非mask的长宽一致吗？不然你这里就错了。 另外，你这个条纹状我没有出现，你试试看下yolo-seg的原始模型有无这种情况，或者使用旧版本的GetMask看下有无问题。旧版本还这样的话就是你模型本身就有问题，或者你提供模型和图片我看下

旧版的没有问题，新版的有问题，row是宽度，cols是高度，是读取的模型输出尺寸1x32x160x160里面的，都是160

[axxx-xxxa]

请问这个32的特征掩码该怎么理解呢？ 有没有对应的分割网络可以帮助理解？

[UNeedCryDear]

请问这个32的特征掩码该怎么理解呢？ 有没有对应的分割网络可以帮助理解？

YOLACT里面有提到，论文你可以自己搜索下

[UNeedCryDear]

旧版的没有问题，新版的有问题，row是宽度，cols是高度，是读取的模型输出尺寸1x32x160x160里面的，都是160

opencv里面，img.rows是行数，也就是图像y方向的高度，img.cols是x方向的宽度，你这点不要搞混掉了，如果原始的没问题，你看下是不是这点的问题导致你的原始图像长宽反了出现条状。我也不知道你修改了哪些东西，无法复现你的问题。如果旧版本的没问题，那你换旧版本的吧。