yolov2OutputLayer

Создайте выходной слой для сети обнаружения объектов YOLO v2

Описание

yolov2OutputLayer функция создает YOLOv2OutputLayer объект, который представляет выходной слой для вас, смотрит только однажды версия 2 (YOLO v2) сеть обнаружения объектов. Выходной слой обеспечивает усовершенствованные местоположения ограничительной рамки целевых объектов.

Создание

Описание

пример

layer = yolov2OutputLayer(anchorBoxes) создает YOLOv2OutputLayer объект, layer, который представляет выходной слой для сети обнаружения объектов YOLO v2. Слой выводит усовершенствованные местоположения ограничительной рамки, которые предсказаны с помощью предопределенного набора полей привязки, заданных во входе.

пример

layer = yolov2OutputLayer(anchorBoxes,Name,Value) устанавливает Name и LossFactors свойства с помощью пар "имя-значение" и входа от предыдущего синтаксиса. Заключите каждое имя свойства в одинарные кавычки. Например, yolov2OutputLayer('Name','yolo_Out') создает выходной слой с именем 'yolo_Out'.

Входные параметры

развернуть все

Набор полей привязки, заданных как M-by-2 матрица, где каждая строка имеет форму [height width]. Матрица задает высоту и ширину количества M полей привязки. Этот вход устанавливает AnchorBoxes свойство выходного слоя. Можно использовать кластеризирующийся подход в оценке полей привязки от обучающих данных. Для получения дополнительной информации смотрите Оценочные Поля Привязки От Обучающих данных.

Свойства

развернуть все

Имя слоя, заданное как вектор символов или скаляр строки. Чтобы включать слой в график слоя, необходимо задать непустое уникальное имя слоя. Если вы обучаете серийную сеть со слоем и Name установлен в '', затем программное обеспечение автоматически присваивает имя к слою в учебное время.

Типы данных: char | string

Функция потерь, заданная как 'mean-squared-error'. Для получения дополнительной информации о функции потерь, смотрите Функцию потерь для Улучшения Ограничительной рамки.

Это свойство доступно только для чтения.

Набор полей привязки используется в обучении, заданном как M-by-2 матрица, задающая высоту и ширину количества M полей привязки. Это свойство установлено входом anchorBoxes.

Это свойство доступно только для чтения.

Веса в функции потерь, заданной как вектор 1 на 4 формы [K1 K2 K3 K4]. Веса увеличивают устойчивость сетевой модели путем наложения штрафа на неправильные прогнозы ограничительной рамки и ложные классификации. Для получения дополнительной информации о весах в потере функция, смотрите Функцию потерь для Улучшения Ограничительной рамки.

Количество входных параметров слоя. Этот слой принимает один вход только.

Типы данных: double

Введите имена слоя. Этот слой принимает один вход только.

Типы данных: cell

Примеры

свернуть все

Создайте YOLO v2 выходной слой с двумя полями привязки.

Задайте высоту и ширину полей привязки.

anchorBoxes = [16 16;32 32];

Сгенерируйте YOLO v2 выходной слой с именем "yolo_Out".

layer = yolov2OutputLayer(anchorBoxes,'Name','yolo_Out');

Смотрите свойства YOLO v2 выходной слой.

layer
layer = 
  YOLOv2OutputLayer with properties:

            Name: 'yolo_Out'

   Hyperparameters
    LossFunction: 'mean-squared-error'
     AnchorBoxes: [2x2 double]
     LossFactors: [5 1 1 1]

Больше о

развернуть все

Советы

Чтобы улучшить точность прогноза, вы можете:

  • Обучите сеть с большим количеством количества изображений. Можно расширить обучающий набор данных посредством увеличения данных. Для получения информации о том, как применить увеличение данных для обучающего набора данных, смотрите, Предварительно обрабатывают Изображения для Глубокого обучения (Deep Learning Toolbox).

  • Выполните многошкальное обучение при помощи trainYOLOv2ObjectDetector функция. Для этого задайте 'TrainingImageSize'аргумент trainYOLOv2ObjectDetector функция для того, чтобы обучить сеть.

  • Выберите поля привязки, соответствующие набору данных для того, чтобы обучить сеть. Можно использовать estimateAnchorBoxes функция, чтобы вычислить поля привязки непосредственно из обучающих данных.

Ссылки

[1] Джозеф. R, С. К. Диввэла, Р. Б. Джиршик и Ф. Али. "Вы Только Взгляд Однажды: Объединенное, Обнаружение объектов В реальном времени". В Продолжениях Конференции по IEEE по Компьютерному зрению и Распознаванию образов (CVPR), стр 779–788. Лас-Вегас, NV: CVPR, 2016.

[2] Джозеф. R и Ф. Али. "YOLO 9000: Лучше, Быстрее, Более сильный". В Продолжениях Конференции по IEEE по Компьютерному зрению и Распознаванию образов (CVPR), стр 6517–6525. Гонолулу, HI: CVPR, 2017.

Расширенные возможности

Генерация кода графического процессора
Сгенерируйте код CUDA® для NVIDIA® графические процессоры с помощью GPU Coder™.

Введенный в R2019a

Для просмотра документации необходимо авторизоваться на сайте