Обучите детектор объектов глубокого обучения SSD
trainedDetector = trainSSDObjectDetector(trainingData,lgraph,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.
[ также возвращает информацию о процессе обучения, таком как учебная потеря и точность, для каждой итерации.trainedDetector,info] = trainSSDObjectDetector(___)
trainedDetector = trainSSDObjectDetector(trainingData,checkpoint,options)
trainedDetector = trainSSDObjectDetector(trainingData,detector,options)
trainedDetector = trainSSDObjectDetector(___,Name,Value)Name,Value парные аргументы и любые из предыдущих входных параметров.
Загрузите обучающие данные для обнаружения транспортного средства в рабочую область.
data = load('vehicleTrainingData.mat');
trainingData = data.vehicleTrainingData;Задайте директорию, в которой хранятся обучающие выборки. Добавьте полный путь в имена файлов в обучающих данных.
dataDir = fullfile(toolboxdir('vision'),'visiondata'); trainingData.imageFilename = fullfile(dataDir,trainingData.imageFilename);
Создайте datastore изображений с помощью файлов из таблицы.
imds = imageDatastore(trainingData.imageFilename);
Создайте datastore метки поля с помощью столбцов меток из таблицы.
blds = boxLabelDatastore(trainingData(:,2:end));
Объедините хранилища данных.
ds = combine(imds, blds);
Загрузите предварительно инициализированную сеть обнаружения объектов SSD.
net = load('ssdVehicleDetector.mat');
lgraph = net.lgraphlgraph =
LayerGraph with properties:
Layers: [23×1 nnet.cnn.layer.Layer]
Connections: [24×2 table]
InputNames: {'input'}
OutputNames: {'focalLoss' 'anchorBoxRegression'}
Смотрите слои в сети SSD и их свойствах. Можно также создать сеть SSD путем выполнения поданных шагов, Создают Сеть Обнаружения объектов SSD.
lgraph.Layers
ans =
23x1 Layer array with layers:
1 'input' Image Input 300x300x3 images
2 'conv_1' Convolution 16 3x3 convolutions with stride [1 1] and padding [1 1 1 1]
3 'relu_1' ReLU ReLU
4 'maxpool1' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0]
5 'conv_2' Convolution 32 3x3 convolutions with stride [1 1] and padding [1 1 1 1]
6 'relu_2' ReLU ReLU
7 'maxpool2' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0]
8 'conv_3' Convolution 64 3x3 convolutions with stride [1 1] and padding [1 1 1 1]
9 'relu_3' ReLU ReLU
10 'maxpool3' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0]
11 'conv_4' Convolution 128 3x3 convolutions with stride [1 1] and padding [1 1 1 1]
12 'relu_4' ReLU ReLU
13 'confmerge' SSD Merge Layer. SSD Merge Layer.
14 'locmerge' SSD Merge Layer. SSD Merge Layer.
15 'relu_4_anchorbox' Anchor Box Layer. Anchor Box Layer.
16 'relu_4_mbox_conf' Convolution 8 3x3x128 convolutions with stride [1 1] and padding [1 1 1 1]
17 'relu_4_mbox_loc' Convolution 16 3x3x128 convolutions with stride [1 1] and padding [1 1 1 1]
18 'relu_3_anchorbox' Anchor Box Layer. Anchor Box Layer.
19 'relu_3_mbox_conf' Convolution 12 3x3x64 convolutions with stride [1 1] and padding [1 1 1 1]
20 'relu_3_mbox_loc' Convolution 24 3x3x64 convolutions with stride [1 1] and padding [1 1 1 1]
21 'anchorBoxSoftmax' Softmax softmax
22 'focalLoss' Focal Loss Layer. Focal Loss Layer.
23 'anchorBoxRegression' Box Regression Output smooth-l1 loss
Сконфигурируйте сетевые опции обучения.
options = trainingOptions('sgdm',... 'InitialLearnRate',5e-5,... 'MiniBatchSize',16,... 'Verbose',true,... 'MaxEpochs',50,... 'Shuffle','every-epoch',... 'VerboseFrequency',10,... 'CheckpointPath',tempdir);
Обучите сеть SSD.
[detector,info] = trainSSDObjectDetector(ds,lgraph,options);
************************************************************************* Training an SSD Object Detector for the following object classes: * vehicle Training on single GPU. |========================================================================================| | Epoch | Iteration | Time Elapsed | Mini-batch | Mini-batch | Base Learning | | | | (hh:mm:ss) | RMSE | Loss | Rate | |========================================================================================| | 1 | 1 | 00:00:04 | 250.16 | 197.6 | 5.0000e-05 | | 4 | 10 | 00:00:23 | 26.19 | 20.7 | 5.0000e-05 | | 7 | 20 | 00:00:42 | 8.35 | 5.4 | 5.0000e-05 | | 10 | 30 | 00:01:01 | 3.02 | 2.3 | 5.0000e-05 | | 14 | 40 | 00:01:25 | 1.82 | 1.0 | 5.0000e-05 | | 17 | 50 | 00:01:44 | 1.20 | 0.7 | 5.0000e-05 | | 20 | 60 | 00:02:02 | 1.39 | 0.8 | 5.0000e-05 | | 24 | 70 | 00:02:26 | 1.17 | 0.6 | 5.0000e-05 | | 27 | 80 | 00:02:44 | 1.07 | 0.6 | 5.0000e-05 | | 30 | 90 | 00:03:03 | 1.15 | 0.6 | 5.0000e-05 | | 34 | 100 | 00:03:27 | 1.02 | 0.5 | 5.0000e-05 | | 37 | 110 | 00:03:46 | 1.20 | 0.6 | 5.0000e-05 | | 40 | 120 | 00:04:04 | 1.12 | 0.6 | 5.0000e-05 | | 44 | 130 | 00:04:29 | 1.16 | 0.6 | 5.0000e-05 | | 47 | 140 | 00:04:49 | 1.19 | 0.6 | 5.0000e-05 | | 50 | 150 | 00:05:09 | 1.08 | 0.6 | 5.0000e-05 | |========================================================================================| Detector training complete. *************************************************************************
Смотрите свойства детектора.
detector
detector =
ssdObjectDetector with properties:
ModelName: 'vehicle'
Network: [1×1 DAGNetwork]
ClassNames: {'vehicle' 'Background'}
Можно проверить учебную точность путем осмотра учебной потери для каждой итерации.
figure plot(info.TrainingLoss) grid on xlabel('Number of Iterations') ylabel('Training Loss for Each Iteration')
Протестируйте детектор SSD на тестовом изображении.
img = imread('ssdTestDetect.png');Запустите детектор объектов SSD на изображении для обнаружения транспортного средства.
[bboxes,scores] = detect(detector,img);
Отобразите результаты обнаружения.
if(~isempty(bboxes)) img = insertObjectAnnotation(img,'rectangle',bboxes,scores); end figure imshow(img)
[1] В. Лю, Е. Ангуелов, Д. Эрхэн, К. Сзеджеди, С. Рид, C.Fu и А.К. Берг. "SSD: один выстрел детектор MultiBox". Европейская конференция по компьютерному зрению (ECCV), Springer Verlag, 2016