Обучите детектор объектов глубокого обучения R-CNN
обучает R-CNN (области со сверточными нейронными сетями) на основе детектора объектов. Функция использует глубокое обучение, чтобы обучить детектор обнаруживать несколько классов объектов. detector
= trainRCNNObjectDetector(trainingData
,network
,options
)
Эта реализация R-CNN не обучает классификатор SVM для каждого класса объекта.
Эта функция требует, чтобы у вас были Deep Learning Toolbox™ и Statistics and Machine Learning Toolbox™. Рекомендуется, чтобы у вас также был Parallel Computing Toolbox™, чтобы использовать с помощью графического процессора CUDA®-enabled NVIDIA®. Для получения информации о поддерживаемом вычислите возможности, смотрите Поддержку графического процессора Релизом (Parallel Computing Toolbox).
возвращает detector
= trainRCNNObjectDetector(___,Name,Value
)detector
объект с дополнительными входными свойствами, заданными одним или несколькими Name,Value
парные аргументы.
опционально обучает детектор R-CNN с помощью пользовательской функции предложения по области.detector
= trainRCNNObjectDetector(___,'RegionProposalFcn
',proposalFcn)
Эта реализация R-CNN не обучает классификатор SVM для каждого класса объекта.
Ускорять предварительную обработку данных для обучения, trainRCNNObjectDetector
автоматически создает и использует параллельный пул на основе ваших параметров параллельных предпочтений. Это требует Parallel Computing Toolbox.
VGG-16, VGG-19, ResNet-101 и Inception-ResNet-v2 являются большими моделями. Обучение с большими изображениями может произвести ошибки "Out of Memory". Чтобы уменьшить эти ошибки, вручную измените размер изображений наряду с достоверными данными ограничительной рамки прежде, чем вызвать trainRCNNObjectDetector
.
Эта функция поддерживает передачу обучения. Когда сеть вводится по наименованию, такие как 'resnet50'
, затем программное обеспечение автоматически преобразовывает сеть в допустимую сетевую модель R-CNN на основе предварительно обученного resnet50
Модель (Deep Learning Toolbox). В качестве альтернативы вручную задайте пользовательскую сеть R-CNN с помощью LayerGraph
(Deep Learning Toolbox) извлечен из предварительно обученной сети DAG. Смотрите Создают Сеть Обнаружения объектов R-CNN.
Используйте trainingOptions
(Deep Learning Toolbox) функция, чтобы включить или отключить многословную печать.
[1] Girshick, R., Дж. Донахью, Т. Даррелл и Дж. Малик. “Богатые Иерархии Функции для Точного Обнаружения объектов и Семантической Сегментации”. Продолжения Конференции по IEEE по Компьютерному зрению и Распознаванию образов. 2014, стр 580–587.
[2] Girshick, R. “Быстрый R-CNN”. Продолжения Международной конференции IEEE по вопросам Компьютерного зрения. 2015, стр 1440–1448.
[3] Zitnick, К. Лоуренс и П. Доллэр. “Поля ребра: Определение местоположения Объектных Предложений от Ребер”. Компьютерное-зрение-ECCV, Springer International Publishing. 2014, стр 391–405.
objectDetectorTrainingData
| trainFasterRCNNObjectDetector
| trainFastRCNNObjectDetector
| trainYOLOv2ObjectDetector
| resnet50
(Deep Learning Toolbox) | trainingOptions
(Deep Learning Toolbox)imageCategoryClassifier
| rcnnObjectDetector
| Layer
(Deep Learning Toolbox) | SeriesNetwork
(Deep Learning Toolbox)