Создайте детектор объектов YOLO v3
yolov3ObjectDetector объект создает вас, только смотрят однажды версия 3 (YOLO v3) детектор объектов для обнаружения объектов в изображении. Используя этот объект, вы можете:
Создайте предварительно обученный детектор объектов YOLO v3 при помощи нейронных сетей для глубокого обучения YOLO v3, обученных на наборе данных COCO.
Создайте пользовательский детектор объектов YOLO v3 при помощи любой предварительно обученной или нетренированной нейронной сети для глубокого обучения YOLO v3.
detector = yolov3ObjectDetector(name,classes,aboxes)
detector = yolov3ObjectDetector(net,classes,aboxes)net.
Если net предварительно обученная нейронная сеть для глубокого обучения YOLO v3, функция создает детектор объектов YOLO v3 и конфигурирует его, чтобы использовать обучение с переносом для заданных классов объектов и полей привязки.
Если net нетренированная нейронная сеть для глубокого обучения YOLO v3, функция создает детектор объектов YOLO v3 и конфигурирует его для обнаружения объектов. classes и aboxes задайте классы объектов и поля привязки, соответственно, для того, чтобы обучить сеть YOLO v3.
Необходимо обучить детектор на обучающем наборе данных прежде, чем выполнить обнаружение объектов.
detector = yolov3ObjectDetector(baseNet,classes,aboxes,'DetectionNetworkSource',layer)baseNet.
Функция добавляет, что обнаружение направляется в заданные слои layer извлечения признаков в основной сети. Чтобы задать имена слоев извлечения признаков, используйте аргумент 'DetectionNetworkSource' значения имени, layer.
Если baseNet предварительно обученная нейронная сеть для глубокого обучения, функция создает детектор объектов YOLO v3 и конфигурирует его, чтобы использовать обучение с переносом для заданных классов объектов и полей привязки.
Если baseNet нетренированная нейронная сеть для глубокого обучения, функция создает детектор объектов YOLO v3 и конфигурирует его для обнаружения объектов. classes и aboxes задайте классы объектов и поля привязки, соответственно, для того, чтобы обучить сеть YOLO v3.
Необходимо обучить детектор на обучающем наборе данных прежде, чем выполнить обнаружение объектов.
Примечание
Эта функция требует Модели Computer Vision Toolbox™ для обнаружения объектов YOLO v3. Можно установить Модель Computer Vision Toolbox для обнаружения объектов YOLO v3 из Add-On Explorer. Для получения дополнительной информации об установке дополнений, смотрите, Получают и Управляют Дополнениями. Чтобы запустить эту функцию, вы потребуете Deep Learning Toolbox™.
detect | Обнаружьте объекты с помощью детектора объектов YOLO v3 |
preprocess | Предварительно обработайте обучение и протестируйте изображения |
forward | Вычислите нейронную сеть для глубокого обучения YOLO v3 выход для обучения |
predict | Вычислите нейронную сеть для глубокого обучения YOLO v3 выход для вывода |
Задайте имя предварительно обученной нейронной сети для глубокого обучения YOLO v3.
name = 'tiny-yolov3-coco';Создайте детектор объектов YOLO v3 при помощи предварительно обученной сети YOLO v3.
detector = yolov3ObjectDetector(name);
Отобразите и смотрите свойства детектора объектов YOLO v3.
disp(detector)
yolov3ObjectDetector with properties:
Network: [1×1 dlnetwork]
AnchorBoxes: {2×1 cell}
ClassNames: [1×80 categorical]
InputSize: [416 416]
Learnables: [48×3 table]
State: [22×3 table]
ModelName: 'tiny-yolov3-coco'
Используйте analyzeNetwork отобразить архитектуру сети YOLO v3 и получить информацию о слоях сети. Сеть имеет две головы обнаружения, присоединенные к сети извлечения признаков.
analyzeNetwork(detector.Network)
Обнаружьте объекты в неизвестном изображении при помощи предварительно обученного детектора объектов YOLO v3.
img = imread('sherlock.jpg'); img = preprocess(detector,img); [bboxes,scores,labels] = detect(detector,img,'DetectionPreprocessing','none');
Отобразите результаты обнаружения.
detectedImg = insertObjectAnnotation(img,'Rectangle',bboxes,labels);
figure
imshow(detectedImg)
В этом примере показано, как создать пользовательский детектор объектов YOLO v3 при помощи предварительно обученного SqueezeNet как основная сеть.
Загрузите предварительно обученную сеть SqueezeNet. Сеть SqueezeNet является сверточной нейронной сетью, которую можно использовать в качестве основной сети для создания детектора объектов YOLO v3.
net = squeezenet
net =
DAGNetwork with properties:
Layers: [68×1 nnet.cnn.layer.Layer]
Connections: [75×2 table]
InputNames: {'data'}
OutputNames: {'ClassificationLayer_predictions'}
Смотрите архитектуру основной сети при помощи analyzeNetwork (Deep Learning Toolbox) функция.
analyzeNetwork(net)
Задайте поля привязки и классы, чтобы использовать, чтобы обучить сеть YOLO v3.
aboxes = {[150,127;97,90;68,67];[38,42;41,29;31,23]};
classes = {'Car','Truck'};Выберите два слоя извлечения признаков в основной сети, чтобы служить источником для подсети обнаружения.
layer = {'fire9-concat','fire8-concat'};Создайте пользовательский детектор объектов YOLO v3 путем добавления, что обнаружение направляется в слои извлечения признаков основной сети. Задайте имя модели, классы и поля привязки.
detector = yolov3ObjectDetector(net,classes,aboxes,'ModelName','Custom YOLO v3','DetectionNetworkSource',layer);
Смотрите архитектуру нейронной сети для глубокого обучения YOLO v3 при помощи analyzeNetwork (Deep Learning Toolbox) функция.
analyzeNetwork(detector.Network)
Смотрите свойства детектора объектов YOLO v3. Можно теперь обучить детектор объектов YOLO v3 на пользовательском обучающем наборе данных и выполнить обнаружение объектов.
disp(detector)
yolov3ObjectDetector with properties:
Network: [1×1 dlnetwork]
AnchorBoxes: {2×1 cell}
ClassNames: [Car Truck]
InputSize: [227 227]
Learnables: [66×3 table]
State: [6×3 table]
ModelName: 'Custom YOLO v3'
Для получения информации о том, как обучить детектор объектов YOLO v3, смотрите, что Обнаружение объектов Использует пример YOLO v3 Глубокого обучения.
fasterRCNNObjectDetector | trainYOLOv2ObjectDetector | yolov2ObjectDetector