Можно использовать Image Labeler, Video Labeler и Ground Truth Labeler (требует Automated Driving Toolbox™), приложения, наряду с объектами Computer Vision Toolbox™ и функциями, чтобы обучить алгоритмы от наземных данных об истине. Во-первых, используйте свое приложение маркировки, чтобы в интерактивном режиме маркировать наземные данные об истине в видео, последовательности изображений, наборе изображений или пользовательском источнике данных. Затем используйте наземные данные об истине, чтобы создать данные тренировки алгоритма. Для объектных детекторов используйте функцию objectDetectorTrainingData
. Для семантических сетей сегментации используйте функцию pixelLabelTrainingData
.
Данные о загрузке для маркировки:
Image Labeler — Загрузите набор изображений из файла или объекта ImageDatastore
в приложение.
Video Labeler или Ground Truth Labeler — Загрузите видео, последовательность изображений или пользовательский источник данных в приложение
Маркируйте данные и выберите алгоритм автоматизации: Создайте ROI и метки сцены в рамках приложения. Для получения дополнительной информации см.:
Image Labeler — Запуск с Image Labeler
Video Labeler — Запуск с Video Labeler
Ground Truth Labeler — Запуск с Ground Truth Labeler (Automated Driving Toolbox)
Можно выбрать из одного из встроенных алгоритмов или создать собственный алгоритм, чтобы маркировать объекты в данных. Чтобы изучить, как создать ваш собственный алгоритм автоматизации, смотрите, Создают Алгоритм Автоматизации для Маркировки.
Метки экспорта: После маркировки ваших данных можно экспортировать метки в рабочую область или сохранить их в файл. Метки экспортируются как объект groundTruth
. Если ваш источник данных состоит из наборов повторного изображения, маркируйте целый набор наборов изображений, чтобы получить массив объектов groundTruth
. Для получения дополнительной информации о совместном использовании объектов groundTruth
, смотрите Долю, и Хранилище Маркировало Ground Truth Data.
Создайте данные тренировки: Чтобы создать данные тренировки из объекта groundTruth
, используйте одну из этих функций:
Данные тренировки для объектных детекторов — Использование функция objectDetectorTrainingData
.
Данные тренировки для семантических сетей сегментации — Использование функция pixelLabelTrainingData
.
Выберите наземные данные об истине путем определения фактора выборки. Выборка смягчает перетренировку объектного детектора на подобных выборках. Для объектов, созданных с помощью видеофайла или пользовательского источника данных, objectDetectorTrainingData
и pixelLabelTrainingData
, функционирует изображения записи к диску для groundTruth
.
Алгоритм train:
Объектные детекторы — Использование один из нескольких детекторов объекта Computer Vision Toolbox. Смотрите, что Обнаружение объектов использует Функции. Для объектных детекторов, характерных для автоматизированного управления, смотрите детекторы объекта Automated Driving Toolbox, перечисленные в Визуальном Восприятии (Automated Driving Toolbox).
Семантическая сеть сегментации — Использование функция semanticseg
. Для получения дополнительной информации при обучении семантической сети сегментации, смотрите Семантические Основы Сегментации и Обнаружение объектов Используя пример Глубокого обучения.
groundTruth
| groundTruthDataSource
| objectDetectorTrainingData
| pixelLabelTrainingData
| semanticseg
| trainACFObjectDetector
| trainFasterRCNNObjectDetector
| trainRCNNObjectDetector
| trainRCNNObjectDetector