В этом примере показано, как оценить поля привязки с помощью таблицы, содержащей данные обучения. Первый столбец содержит учебные изображения, а остальные столбцы содержат маркированные ограничивающие рамки.

data = load('vehicleTrainingData.mat');
trainingData = data.vehicleTrainingData;

Создать boxLabelDatastore с использованием маркированных ограничивающих рамок из учебных данных.

blds = boxLabelDatastore(trainingData(:,2:end));

Оцените якорные ящики с помощью boxLabelDatastore объект.

numAnchors = 5;
anchorBoxes = estimateAnchorBoxes(blds,numAnchors);

Укажите размер изображения.

inputImageSize = [128,228,3];

Укажите количество обнаруживаемых классов.

numClasses = 1;

Используйте предварительно обученную сеть ResNet-50 в качестве базовой сети для сети YOLO v2.

network = resnet50();

Укажите сетевой уровень, который будет использоваться для извлечения элементов. Вы можете использовать analyzeNetwork для просмотра всех имен слоев в сети.

featureLayer = 'activation_49_relu';

Создайте сеть обнаружения объектов YOLO v2.

lgraph = yolov2Layers(inputImageSize,numClasses,anchorBoxes,network, featureLayer)

lgraph = 
  LayerGraph with properties:

         Layers: [182×1 nnet.cnn.layer.Layer]
    Connections: [197×2 table]
     InputNames: {'input_1'}
    OutputNames: {'yolov2OutputLayer'}

Визуализация сети с помощью сетевого анализатора.

analyzeNetwork(lgraph)

Загрузите таблицу учебных данных класса транспортного средства, содержащую ограничивающие рамки с метками.

data = load('vehicleTrainingData.mat');
trainingData = data.vehicleTrainingData;

Добавьте полный путь к локальной папке данных транспортного средства.

dataDir = fullfile(toolboxdir('vision'),'visiondata');
trainingData.imageFilename = fullfile(dataDir,trainingData.imageFilename);

Создание imageDatastore с использованием имен файлов в таблице.

imds = imageDatastore(trainingData.imageFilename);

Создать boxLabelDatastore с использованием таблицы с данными метки.

blds = boxLabelDatastore(trainingData(:,2:end));

Объединить imageDatastore и boxLabelDatastore объекты.

cds = combine(imds,blds);

Прочитайте данные для обучения. Используйте read функция объекта возвращает изображения, ограничивающие рамки и метки.

read(cds)

ans=1×3 cell array
    {128x228x3 uint8}    {[126 78 20 16]}    {[vehicle]}

Загрузите таблицу учебных данных класса транспортного средства, содержащую ограничивающие рамки с метками.

load('vehicleTrainingData.mat');

Загрузите таблицу стоп-знаков и обучающих данных класса автомобилей, содержащую ограничивающие рамки с этикетками.

load('stopSignsAndCars.mat');

Создайте таблицы истинности грунта на основе данных обучения.

vehiclesTbl  = vehicleTrainingData(:,2:end);
stopSignsTbl = stopSignsAndCars(:,2:end);

Создать boxLabelDatastore объект с использованием двух таблиц: одна с данными маркировки транспортного средства, а другая с стоп-знаками и данными маркировки автомобилей.

blds = boxLabelDatastore(vehiclesTbl,stopSignsTbl);

Создание imageDatastore с использованием имен файлов в таблицах учебных данных.

dataDir = fullfile(toolboxdir('vision'),'visiondata');
vehicleFiles = fullfile(dataDir,vehicleTrainingData.imageFilename);
stopSignFiles = fullfile(dataDir,stopSignsAndCars.imageFilename);
imds = imageDatastore([vehicleFiles;stopSignFiles]);

Объединить imageDatastore и boxLabelDatastore объекты.

cds = combine(imds,blds);

Прочитайте данные для обучения. Используйте read функция объекта возвращает изображения, ограничивающие рамки и метки.

read(cds)

ans=1×3 cell array
    {128x228x3 uint8}    {[126 78 20 16]}    {[vehicle]}