Обнаружение объектов с помощью детектора объектов YOLO v3
bboxes = detect(detector,I)I, используя видимый только один детектор объектов версии 3 (YOLO v3), detector. Размер входного сигнала изображения должен быть больше или равен размеру сетевого входного сигнала предварительно обученного детектора. Местоположения обнаруженных объектов возвращаются в виде набора ограничивающих рамок.
detectionResults = detect(detector,ds)read функция хранилища входных данных ds.
[___] = detect(___, обнаруживает объекты в прямоугольной области поиска roi)roi, в дополнение к любой комбинации аргументов из предыдущих синтаксисов.
[___] = detect(___, указывает параметры, использующие один или несколько аргументов значения имени.Name,Value)
Примечание
Для этой функции требуется модель Computer Vision Toolbox™ для обнаружения объектов YOLO v3. Модель панели инструментов Computer Vision Toolbox для обнаружения объектов YOLO v3 можно установить из проводника надстроек. Дополнительные сведения об установке надстроек см. в разделе Получение надстроек и управление ими. Для выполнения этой функции потребуется Toolbox™ глубокого обучения.
Загрузите предварительно обученный детектор объектов YOLO v3.
detector = yolov3ObjectDetector('tiny-yolov3-coco');Считывание тестового изображения и предварительная обработка тестового изображения с помощью preprocess функция.
img = imread('sherlock.jpg');
img = preprocess(detector,img);Обнаружение объектов в тестовом изображении.
[bboxes,scores,labels] = detect(detector,img);
Просмотрите результаты обнаружения.
results = table(bboxes,labels,scores)
results=1×3 table
bboxes labels scores
________________________ ______ _______
134 69 280 272 dog 0.56819
detectedImg = insertObjectAnnotation(img,'Rectangle',bboxes,labels);
figure
imshow(detectedImg)
Загрузите предварительно обученный детектор YOLOv3 объекта.
detector = yolov3ObjectDetector('tiny-yolov3-coco');Считывайте тестовые данные и храните их как объект хранилища данных изображения.
location = fullfile(matlabroot,'toolbox','vision','visiondata','vehicles'); imds = imageDatastore(location);
Обнаружение объектов в наборе тестовых данных. Установите Threshold значение параметра 0,3 и MiniBatchSize значение параметра 32.
detectionResults = detect(detector,imds,'Threshold',0.3,'MiniBatchSize',32);
Прочтите изображение из набора тестовых данных и извлеките соответствующие результаты обнаружения.
num = 10;
I = readimage(imds,num);
bboxes = detectionResults.Boxes{num};
labels = detectionResults.Labels{num};
scores = detectionResults.Scores{num};Выполните несимметричное подавление, чтобы выбрать наиболее сильные ограничивающие рамки из перекрывающихся кластеров. Установите OverlapThreshold значение параметра до 0,2.
[bboxes,scores,labels] = selectStrongestBboxMulticlass(bboxes,scores,labels,'OverlapThreshold',0.2);Просмотрите результаты обнаружения.
results = table(bboxes,labels,scores)
results=3×3 table
bboxes labels scores
________________________ ______ _______
14 71 52 27 car 0.93352
74 73 7 5 car 0.65369
102 73 15 10 car 0.85313
detectedImg = insertObjectAnnotation(I,'Rectangle',bboxes,labels);
figure
imshow(detectedImg)
Загрузите предварительно обученный детектор объектов YOLO v3.
detector = yolov3ObjectDetector('tiny-yolov3-coco');Чтение тестового изображения.
img = imread('highway.png');Укажите интересующую область (ROI) в тестовом изображении.
roiBox = [70 40 100 100];
Обнаружение объектов в пределах указанного ROI.
[bboxes,scores,labels] = detect(detector,img,roiBox);
Просмотрите ROI и результаты обнаружения.
results = table(bboxes,labels,scores)
results=1×3 table
bboxes labels scores
_______________________ ______ _______
99 103 41 33 car 0.72206
img = insertObjectAnnotation(img,'Rectangle',roiBox,'ROI','Color',"blue"); detectedImg = insertObjectAnnotation(img,'Rectangle',bboxes,labels); figure imshow(detectedImg)
CombinedDatastore | forward | imageDatastore | predict | TransformedDatastore | yolov3ObjectDetector