Обучите Быстрый детектор объектов глубокого обучения R-CNN
обучает Быстрый R-CNN (области с нейронными сетями свертки) детектор объектов с помощью глубокого обучения. Можно обучить Быстрый детектор R-CNN обнаруживать несколько классов объектов.trainedDetector
= trainFastRCNNObjectDetector(trainingData
,network
,options
)
Эта функция требует, чтобы у вас был Deep Learning Toolbox™. Рекомендуется, чтобы у вас также был Parallel Computing Toolbox™, чтобы использовать с помощью графического процессора CUDA®-enabled NVIDIA® с, вычисляют возможность 3.0 или выше.
обучение резюме от контрольной точки детектора.trainedDetector
= trainFastRCNNObjectDetector(trainingData
,checkpoint
,options
)
продолжает обучение детектор с дополнительными обучающими данными или выполняет больше учебных итераций, чтобы улучшить точность детектора.trainedDetector
= trainFastRCNNObjectDetector(trainingData
,detector
,options
)
опционально обучает пользовательскую функцию предложения по области, trainedDetector
= trainFastRCNNObjectDetector(___,'RegionProposalFcn',proposalFcn
)proposalFcn
, использование любых из предыдущих входных параметров. Если вы не задаете функцию предложения, то функция использует изменение Полей Ребра [2] алгоритм.
дополнительные опции использования заданы одним или несколькими trainedDetector
= trainFastRCNNObjectDetector(___,Name,Value
)Name,Value
парные аргументы.
[
также возвращает информацию о процессе обучения, таком как учебная потеря и точность, для каждой итерации.trainedDetector
,info
] = trainFastRCNNObjectDetector(___)
Ускорять предварительную обработку данных для обучения, trainFastRCNNObjectDetector
автоматически создает и использует параллельный пул на основе ваших параллельных настроек настройки. Для получения дополнительной информации об установке этих настроек, смотрите параллельные настройки настройки. Используя параллельные вычисления настройки требует Parallel Computing Toolbox.
VGG-16, VGG-19, ResNet-101 и Inception-ResNet-v2 являются большими моделями. Обучение с большими изображениями может произвести "Из Памяти" ошибки. Чтобы смягчить эти ошибки, попробуйте один или несколько из этих опций:
Уменьшайте размер своих изображений при помощи 'SmallestImageDimension
'аргумент.
Уменьшите значение 'NumRegionsToSample
'значение аргумента значения имени.
Эта функция поддерживает изучение передачи. При вводе network
по наименованию, такие как 'resnet50'
, затем функция автоматически преобразовывает сеть в допустимую Быструю сетевую модель R-CNN на основе предварительно обученного resnet50
модель. В качестве альтернативы вручную задайте пользовательскую сеть Fast R-CNN при помощи LayerGraph
извлеченный из предварительно обученной сети DAG. Для получения дополнительной информации смотрите, Создают Быструю Сеть Обнаружения объектов R-CNN.
Эта таблица описывает, как преобразовать каждую именованную сеть в сеть Fast R-CNN. Имя слоя извлечения признаков задает, какой слой обрабатывается слоем объединения ROI. ROI размер выхода задает размер карт функции, выведенных слоем объединения ROI.
Сетевое имя | Имя слоя извлечения признаков | Слой объединения ROI OutputSize | Описание |
---|---|---|---|
alexnet | 'relu5' | [6 6] | В последний раз макс. объединение слоя заменяется ROI, макс. объединяющим слой |
vgg16 | 'relu5_3' | [7 7] | |
vgg19 | 'relu5_4' | ||
squeezenet | 'fire5-concat' | [14 14] | |
resnet18 | 'res4b_relu' | Слой объединения ROI вставляется после слоя извлечения признаков. | |
resnet50 | 'activation_40_relu' | ||
resnet101 | 'res4b22_relu' | ||
googlenet | 'inception_4d-output' | ||
mobilenetv2 | 'block_13_expand_relu' | ||
inceptionv3 | 'mixed7' | [17 17] | |
inceptionresnetv2 | 'block17_20_ac' |
Чтобы изменить и преобразовать сеть в сеть Fast R-CNN, см. Проект R-CNN, Быстрый R-CNN и Модель Faster R-CNN.
Используйте trainingOptions
функция, чтобы включить или отключить многословную печать.
[1] Girshick, Росс. "Быстрый R-CNN". Продолжения международной конференции IEEE по вопросам компьютерного зрения. 2015.
[2] Zitnick, К. Лоуренс и Петр Доллар. "Поля ребра: Определение местоположения Объектных Предложений От Ребер". Компьютерное-зрение-ECCV 2014. Springer International Publishing, 2014, стр 391–405.
estimateAnchorBoxes
| objectDetectorTrainingData
| trainFasterRCNNObjectDetector
| trainRCNNObjectDetector
| trainingOptions