yolov2OutputLayer

Создание выходного уровня для сети обнаружения объектов YOLO v2

Описание

yolov2OutputLayer функция создает YOLOv2OutputLayer , который представляет выходной уровень для просмотра только один раз в сети обнаружения объектов версии 2 (YOLO v2). Выходной слой предоставляет уточненные положения ограничивающих рамок для целевых объектов.

Создание

Синтаксис

слой = yolov2OutputLayer (anchorBox)

слой = yolov2OutputLayer (anchorBox, имя, значение)

Описание

пример

layer = yolov2OutputLayer(anchorBoxes) создает YOLOv2OutputLayer объект, layer, который представляет уровень вывода для сети обнаружения объектов YOLO v2. Слой выводит уточненные расположения ограничивающих рамок, которые прогнозируются с использованием предопределенного набора опорных рамок, заданных на входе.

пример

layer = yolov2OutputLayer(anchorBoxes,Name,Value) задает дополнительные свойства, используя пары имя-значение и входные данные из предыдущего синтаксиса. Заключите каждое имя свойства в отдельные кавычки. Например, yolov2OutputLayer('Name','yolo_Out') создает выходной слой с именем yolo _ Out.

Входные аргументы

развернуть все

`anchorBoxes` - Комплект анкерных коробок
M-by-2 матрица

Набор полей привязки, заданный как матрица M-by-2, где каждая строка имеет вид [ширина высоты ]. Матрица определяет высоту и ширину М полей привязки. Этот ввод устанавливает AnchorBoxes свойство выходного слоя. Для оценки полей привязки на основе данных обучения можно использовать метод кластеризации. Дополнительные сведения см. в разделе Оценка полей привязки из данных обучения.

Свойства

развернуть все

`Name` - Имя слоя
`''` (по умолчанию) | символьный вектор | строковый скаляр

Имя слоя, указанное как символьный вектор или строковый скаляр. Чтобы включить слой в график слоев, необходимо указать непустое уникальное имя слоя. Если вы обучаете последовательную сеть с уровнем и Name имеет значение ''затем программа автоматически присваивает имя слою во время обучения.

Типы данных: char | string

`LossFunction` - Функция потерь
`'mean-squared-error'` (по умолчанию)

Это свойство доступно только для чтения.

Функция потери, установленная как 'mean-squared-error'. Дополнительные сведения о функции потерь см. в разделе Функция потерь для уточнения ограничивающей рамки.

`AnchorBoxes` - Комплект анкерных коробок
M-by-2 матрица

Это свойство доступно только для чтения.

Набор анкерных ящиков, используемых для обучения, задается в виде матрицы M-by-2, определяющей ширину и высоту М числа анкерных ящиков. Это свойство задается вводом anchorBoxes.

`LossFactors` - Веса в функции потерь
`[5 1 1 1]` (по умолчанию) | вектор 1 на 4

Это свойство доступно только для чтения.

Веса в функции потерь, задаваемые как вектор 1 на 4 вида [_K1 K2 K3 K4]. _Веса повышают стабильность сетевой модели, штрафуя за неправильные прогнозы ограничительной рамки и ложные классификации. Дополнительные сведения о весах потери функции см. в разделе Функция потери для уточнения ограничивающей рамки.

`Classes` - Классы выходного уровня
'auto' (по умолчанию) | категориальный вектор | строковый массив | массив ячеек символьных векторов

Классы выходного слоя, указанные как категориальный вектор, строковый массив, массив ячеек символьных векторов или 'auto'. Эта пара «имя-значение» используется для указания имен классов объектов во входных учебных данных.

Если установлено значение 'auto', то программное обеспечение автоматически устанавливает классы во время обучения. Если указан строковый массив или массив ячеек символьных векторов str, то программное обеспечение устанавливает классы выходного уровня в categorical(str). Значение по умолчанию: 'auto'.

Типы данных: char | string | cell | categorical

`NumInputs` - Количество входов
1 (по умолчанию)

Количество входов слоя. Этот слой принимает только один вход.

Типы данных: double

`InputNames` - Входные имена
`{'in'}` (по умолчанию)

Входные имена слоя. Этот слой принимает только один вход.

Типы данных: cell

Примеры

свернуть все

Создать выходной слой YOLO v2

В этом примере используются:

Открыть сценарий в реальном времени

Создайте выходной слой YOLO v2 с двумя ящиками привязки.

Задайте высоту и ширину полей привязки.

anchorBoxes = [16 16;32 32];

Укажите имена классов объектов в данных обучения.

classNames = {'Vehicle','Person'};

Создайте выходной слой YOLO v2 с именем «» yolo_Out.

layer = yolov2OutputLayer(anchorBoxes,'Name','yolo_Out','Classes',classNames);

Проверьте свойства выходного слоя YOLO v2.

layer

layer = 
  YOLOv2OutputLayer with properties:

            Name: 'yolo_Out'

   Hyperparameters
         Classes: [2x1 categorical]
    LossFunction: 'mean-squared-error'
     AnchorBoxes: [2x2 double]
     LossFactors: [5 1 1 1]

Можно прочитать значения для Classes свойство с помощью точечной нотации layer.Classes. Функция сохраняет имена классов в виде категориального массива.

layer.Classes

ans = 2x1 categorical
     Vehicle 
     Person

Подробнее

развернуть все

Функция потерь для уточнения ограничивающей рамки

Во время обучения выходной уровень сети YOLO v2 предсказывает уточненные местоположения ограничивающих коробок путем оптимизации среднеквадратичной потери ошибок между предсказанными ограничивающими коробками и истинностью земли. Функция потерь определяется как

$\begin{array}{l} _{}_{}^{^{}}_{}^{}_{}^{K1∑i=0S2∑j=0B1ijobj} {[(_{} xi {\bar{}}_{} x}^{}^{i_{)} {\overset{}{2}}_{+}}^{(} yi \\ − y^i)_{2}]_{+}^{^{}}_{}^{}_{}^{} {\sqrt{_{}} \sqrt{{\overset{}{K1∑i=0S2∑j=0B1ijobj}}_{[}} (}^{} wi {\sqrt{-_{}} w \sqrt{{\hat{}}_{}} i}^{)} \\ 2 + (hi − h^i) 2]_{}_{}^{^{}}_{}^{}_{}^{} {{+K2∑i=0S2∑j=0B1ijobj}_{} ({\overset{Ci}{}}_{} -}^{} \\ C^i) 2_{+K3∑i=0S2∑j=0B1ijnoobj}_{(Ci}^{^{−}}_{C^}^{} i_{)}^{2 +} {_{} {\overset{}{}}_{}}^{} \\ K4∑i=0S21iobj∑c∈classes (pi (c) − p^i (c)) 2_{}_{}^{^{}}_{}^{} \underset{}{} {_{} {\overset{}{}}_{}}^{} \end{array}$

где:

S - количество ячеек сетки
B - количество ограничивающих прямоугольников в каждой ячейке сетки.
$_{}^{1ijobj}$ равно 1, если j-я ограничивающая рамка в ячейке сетки i отвечает за обнаружение объекта. В противном случае устанавливается значение 0. Ячейка сетки i отвечает за обнаружение объекта, если перекрытие между истинностью земли и ограничивающей рамкой в этой ячейке сетки больше или равно 0,6.
$_{}^{1ijnoobj}$ равно 1, если j-я ограничивающая рамка в ячейке сетки i не содержит объекта. В противном случае устанавливается значение 0.
$_{}^{1iobj}$ равно 1, если объект обнаружен в ячейке сетки. В противном случае ему присваивается значение 0.
_K1, _K2, _K3 и _K4 - это веса. Чтобы настроить вес, измените LossFactors собственность.

Функция потерь может быть разделена на три части:

Потеря локализации
Первый и второй члены в функции потерь содержат потери локализации. Он измеряет погрешность между предсказанной ограничительной рамкой и истинностью земли. Параметры для вычисления потерь локализации включают в себя положение, размер прогнозируемой ограничивающей рамки и истинность основания. Параметры определяются следующим образом.
- $(_{xi},_{} yi$ ), является центром j-ой ограничивающей рамки относительно ячейки сетки i.
- $({\overset{}{x}}_{^} {\overset{,}{i}}_{} y$ ^ i), является центром истинности земли относительно ячейки сетки i.
- $_{wi} и_{hi}$ - ширина и высота j-ой ограничивающей рамки в ячейке сетки i соответственно. Размер прогнозируемой ограничивающей рамки задается относительно размера входного изображения.
- ${\overset{}{w}}_{^} i {\overset{}{и}}_{h}$ ^ i - ширина и высота истинности земли в ячейке сетки i соответственно.
- _K1 - вес потери при локализации. Увеличьте это значение, чтобы увеличить взвешивание для ошибок прогнозирования ограничивающей рамки.
Потеря доверия
Третий и четвертый члены в функции потерь включают в себя потери достоверности. Третий член измеряет ошибку объективности (оценки достоверности), когда объект обнаруживается в j-ой ограничивающей рамке ячейки сетки. Четвертый член измеряет ошибку объективности, когда объект не обнаруживается в j-ой ограничивающей рамке ячейки сетки. Параметры для вычисления потери достоверности определяются следующим образом.
- _Ci - оценка достоверности j-ой ограничивающей рамки в ячейке сетки i.
- _{β i} - оценка достоверности наземной истины в ячейке сетки i.
- _K2 - вес ошибки объективности при обнаружении объекта в прогнозируемой ограничивающей рамке. Можно настроить значение _K2 для взвешивания доверительных оценок из ячеек сетки, содержащих объекты.
- _K3 - вес ошибки объективности, если объект не обнаружен в прогнозируемой ограничивающей рамке. Можно настроить значение _K3 для взвешивания доверительных оценок из ячеек сетки, не содержащих объектов.
Потеря достоверности может вызвать расхождение в тренировке, когда число ячеек сетки, не содержащих объектов, превышает число ячеек сетки, содержащих объекты. Чтобы исправить это, увеличьте значение для _K2 и уменьшите значение для _K3.
Классификационные потери
Пятый член в функции потерь включает классификационные потери. Например, предположим, что объект обнаружен в предсказанной ограничивающей рамке, содержащейся в ячейке сетки I. Затем потеря классификации измеряет ошибку в квадрате между условными вероятностями класса для каждого класса в ячейке сетки I. Параметры для вычисления потери классификации определяются следующим образом.
- _pi (c) - оцененная вероятность условного класса для класса объекта c в ячейке сетки i.
- ${\overset{}{p}}_{^} i$ (c) - фактическая вероятность условного класса для класса объекта c в ячейке сетки i.
- _K4 - вес ошибки классификации при обнаружении объекта в ячейке сетки. Увеличьте это значение, чтобы увеличить взвешивание для классификационных потерь.

Совет

Чтобы повысить точность прогнозирования, можно:

Обучение сети с помощью большего количества изображений. Набор учебных данных можно расширить путем увеличения объема данных. Дополнительные сведения о применении увеличения данных для набора учебных данных см. в разделе Препроцессные изображения для глубокого обучения (панель инструментов глубокого обучения).
Выполнение многомасштабного обучения с помощью trainYOLOv2ObjectDetector функция. Для этого укажите 'TrainingImageSize«аргумент» trainYOLOv2ObjectDetector функция для обучения сети.
Выберите поля привязки, соответствующие набору данных для обучения сети. Вы можете использовать estimateAnchorBoxes функция для вычисления полей привязки непосредственно на основе данных обучения.

Ссылки

[1] Иосиф. Р., С. К. Диввала, Р. Б. Гиршик и Ф. Али. «Вы смотрите только один раз: унифицированное обнаружение объектов в реальном времени». В материалах Конференции IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 779-788. Лас-Вегас, NV: CVPR, 2016.

[2] Иосиф. Р и Ф. Али. «YOLO 9000: лучше, быстрее, сильнее». В материалах Конференции IEEE по компьютерному зрению и распознаванию образов (CVPR), стр. 6517-6525. Гонолулу, HI: CVPR, 2017.

Расширенные возможности

Создание кода графического процессора
Создание кода CUDA ® для графических процессоров NVIDIA ® с помощью Coder™ графических процессоров

Для генерации кода CUDA ® или C++ с помощью GPU Coder™ необходимо сначала построить и обучить глубокую нейронную сеть. После обучения и оценки сети можно настроить генератор кода для генерации кода и развертывания сверточной нейронной сети на платформах, использующих процессоры ^NVIDIA ® или ^ARM ® GPU. Дополнительные сведения см. в разделе Глубокое обучение с помощью кодера графического процессора (GPU Coder).

Для этого уровня можно создать код, который использует преимущества библиотеки глубоких нейронных сетей NVIDIA CUDA (cuDNN), библиотеки вывода NVIDIA TensorRT™ или ARM Compute Library для Мали GPU.

См. также

spaceToDepthLayer | trainYOLOv2ObjectDetector | yolov2Layers | yolov2ObjectDetector

Темы

Представлен в R2019a

Документация

yolov2OutputLayer

Описание

Создание

Синтаксис

Описание

Входные аргументы

`anchorBoxes` - Комплект анкерных коробок
M-by-2 матрица

Свойства

`Name` - Имя слоя
`''` (по умолчанию) | символьный вектор | строковый скаляр

`LossFunction` - Функция потерь
`'mean-squared-error'` (по умолчанию)

`AnchorBoxes` - Комплект анкерных коробок
M-by-2 матрица

`LossFactors` - Веса в функции потерь
`[5 1 1 1]` (по умолчанию) | вектор 1 на 4

`Classes` - Классы выходного уровня
'auto' (по умолчанию) | категориальный вектор | строковый массив | массив ячеек символьных векторов

`NumInputs` - Количество входов
1 (по умолчанию)

`InputNames` - Входные имена
`{'in'}` (по умолчанию)

Примеры

Создать выходной слой YOLO v2

Подробнее

Функция потерь для уточнения ограничивающей рамки

Совет

Ссылки

Расширенные возможности

Создание кода графического процессора
Создание кода CUDA ® для графических процессоров NVIDIA ® с помощью Coder™ графических процессоров

См. также

Темы

Документация по инструментарию компьютерного зрения

Поддержка

Документация

yolov2OutputLayer

Описание

Создание

Синтаксис

Описание

Входные аргументы

anchorBoxes - Комплект анкерных коробок M-by-2 матрица

Свойства

Name - Имя слоя '' (по умолчанию) | символьный вектор | строковый скаляр

LossFunction - Функция потерь 'mean-squared-error' (по умолчанию)

AnchorBoxes - Комплект анкерных коробок M-by-2 матрица

LossFactors - Веса в функции потерь [5 1 1 1] (по умолчанию) | вектор 1 на 4

Classes - Классы выходного уровня 'auto' (по умолчанию) | категориальный вектор | строковый массив | массив ячеек символьных векторов

NumInputs - Количество входов 1 (по умолчанию)

InputNames - Входные имена {'in'} (по умолчанию)

Примеры

Создать выходной слой YOLO v2

Подробнее

Функция потерь для уточнения ограничивающей рамки

Совет

Ссылки

Расширенные возможности

Создание кода графического процессора Создание кода CUDA ® для графических процессоров NVIDIA ® с помощью Coder™ графических процессоров

См. также

Темы

Документация по инструментарию компьютерного зрения

Поддержка

`anchorBoxes` - Комплект анкерных коробок
M-by-2 матрица

`Name` - Имя слоя
`''` (по умолчанию) | символьный вектор | строковый скаляр

`LossFunction` - Функция потерь
`'mean-squared-error'` (по умолчанию)

`AnchorBoxes` - Комплект анкерных коробок
M-by-2 матрица

`LossFactors` - Веса в функции потерь
`[5 1 1 1]` (по умолчанию) | вектор 1 на 4

`Classes` - Классы выходного уровня
'auto' (по умолчанию) | категориальный вектор | строковый массив | массив ячеек символьных векторов

`NumInputs` - Количество входов
1 (по умолчанию)

`InputNames` - Входные имена
`{'in'}` (по умолчанию)

Создание кода графического процессора
Создание кода CUDA ® для графических процессоров NVIDIA ® с помощью Coder™ графических процессоров