Обнаружение объектов с помощью глубокого обучения обеспечивает быстрое, и точное означает предсказывать местоположение объекта в изображении. Глубокое обучение является мощным методом машинного обучения, в котором детектор объектов автоматически изучает функции изображений, требуемые для задач обнаружения. Несколько методов для обнаружения объектов с помощью глубокого обучения доступны, такие как Faster R-CNN и вы только смотрите однажды (YOLO) v2.
Приложения для обнаружения объектов включают:
Отобразите классификацию
Понимание сцены
Самоходные транспортные средства
Наблюдение
Используйте приложение для маркировки, чтобы интерактивно помечать достоверные данные в видео, последовательности изображений, коллекции изображений или пользовательском источнике данных. Можно пометить основную истину обнаружения объектов с помощью прямоугольных меток, которые задают положение и размер объекта в изображении.
Используя данные увеличение обеспечивает способ использовать наборы ограниченных данных в обучении. Незначительные изменения, такие как перевод, обрезка, или преобразование изображения, обеспечивают, новые, отличные, и уникальные изображения, которые можно использовать, чтобы обучить устойчивый детектор. Хранилища данных являются удобным способом считать и увеличить наборы данных. Используйте imageDatastore
и boxLabelDatastore
создать хранилища данных для изображений и помеченных данных об ограничительной рамке.
Увеличьте ограничительные рамки для обнаружения объектов (Deep Learning Toolbox)
Предварительно обработайте изображения для глубокого обучения (Deep Learning Toolbox)
Предварительно обработайте данные для проблемно-ориентированного применения глубокого обучения (Deep Learning Toolbox)
Для получения дополнительной информации об увеличении обучающих данных с помощью хранилищ данных, смотрите Хранилища данных для Глубокого обучения (Deep Learning Toolbox) и Выполните Дополнительные Операции Обработки изображений Используя Встроенные Хранилища данных (Deep Learning Toolbox).
Каждый детектор объектов содержит уникальную сетевую архитектуру. Например, детектор Faster R-CNN использует сеть 2D этапа в обнаружении, тогда как детектор YOLO v2 использует одноступенчатое. Используйте функции как fasterRCNNLayers
или yolov2Layers
создать сеть. Можно также спроектировать сетевой слой слоем с помощью Deep Network Designer.
Используйте trainFasterRCNNObjectDetector
или trainYOLOv2ObjectDetector
функции, чтобы обучить детектор объектов. Используйте evaluateDetectionMissRate
и evaluateDetectionPrecision
функции, чтобы оценить учебные результаты.
Обнаружьте объекты в изображении с помощью обученного детектора. Например, частичный код, показанный ниже использования обученный detector
на изображении I
. Используйте detect
возразите функции на fasterRCNNObjectDetector
или yolov2ObjectDetector
объекты возвратить ограничительные рамки, баллы обнаружения и категориальные метки, присвоенные ограничительным рамкам.
I = imread(input_image) [bboxes,scores,labels] = detect(detector,I)