Создать детектор объектов YOLO v3
yolov3ObjectDetector объект создает искомый только один детектор объектов версии 3 (YOLO v3) для обнаружения объектов в изображении. Используя этот объект, можно:
Создайте предварительно обученный детектор объектов YOLO v3 с помощью сетей глубокого обучения YOLO v3, обученных набору данных COCO.
Создайте пользовательский детектор объектов YOLO v3 с помощью любой предварительно обученной или необученной сети глубокого обучения YOLO v3.
detector = yolov3ObjectDetector(name,classes,aboxes)
detector = yolov3ObjectDetector(net,classes,aboxes)net.
Если net является предварительно обученной сетью глубокого обучения YOLO v3, функция создает детектор объектов YOLO v3 и настраивает его для выполнения обучения передаче с заданными классами объектов и ящиками привязки.
Если net является необученной сетью глубокого обучения YOLO v3, функция создает детектор объектов YOLO v3 и настраивает его для обнаружения объектов. classes и aboxes укажите классы объектов и поля привязки, соответственно, для обучения сети YOLO v3.
Прежде чем выполнять обнаружение объектов, необходимо обучить детектор набору учебных данных.
detector = yolov3ObjectDetector(baseNet,classes,aboxes,'DetectionNetworkSource',layer)baseNet.
Функция добавляет головки обнаружения к указанным слоям извлечения элементов layer в базовой сети. Чтобы указать имена слоев извлечения элемента, используйте аргумент имя-значение 'DetectionNetworkSource',layer.
Если baseNet является заранее обученной сетью глубокого обучения, функция создает детектор объектов YOLO v3 и настраивает его для выполнения обучения передачи с заданными классами объектов и ящиками привязки.
Если baseNet является необученной сетью глубокого обучения, функция создает детектор объектов YOLO v3 и настраивает его для обнаружения объектов. classes и aboxes укажите классы объектов и поля привязки, соответственно, для обучения сети YOLO v3.
Прежде чем выполнять обнаружение объектов, необходимо обучить детектор набору учебных данных.
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.
detect | Обнаружение объектов с помощью детектора объектов YOLO v3 |
preprocess | Предварительное обучение и тестовые изображения |
forward | Вычислите выход сети глубокого обучения YOLO v3 для обучения |
predict | Вычислите выходные данные сети глубокого обучения YOLO v3 для вывода |
Укажите имя предварительно обученной сети глубокого обучения YOLO v3.
name = 'tiny-yolov3-coco';Создайте детектор объектов YOLO v3 с помощью предварительно обученной сети YOLO v3.
detector = yolov3ObjectDetector(name);
Отображение и проверка свойств 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'
Использовать analyzeNetwork для отображения сетевой архитектуры YOLO v3 и получения информации о сетевых уровнях. Сеть имеет две головки обнаружения, прикрепленные к сети извлечения признаков.
analyzeNetwork(detector.Network)
Обнаружение объектов в неизвестном изображении с помощью предварительно обученного детектора объектов YOLO v3.
img = imread('sherlock.jpg'); img = preprocess(detector,img); [bboxes,scores,labels] = detect(detector,img,'DetectionPreprocessing','none');
Просмотрите результаты обнаружения.
detectedImg = insertObjectAnnotation(img,'Rectangle',bboxes,labels);
figure
imshow(detectedImg)
В этом примере показано, как создать пользовательский детектор объектов YOLO v3 с использованием предварительно обученного SqueeNet в качестве базовой сети.
Загрузите предварительно обученную сеть SqueeEcNet. Сеть SqueeExNet - это сверточная нейронная сеть, которую можно использовать в качестве базовой 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'}
Проверка архитектуры базовой сети с помощью analyzeNetwork (Deep Learning Toolbox).
analyzeNetwork(net)
Укажите поля привязки и классы, используемые для обучения сети YOLO v3.
aboxes = {[150,127;97,90;68,67];[38,42;41,29;31,23]};
classes = {'Car','Truck'};Выберите два уровня извлечения элементов в базовой сети в качестве источника для подсети обнаружения.
layer = {'fire9-concat','fire8-concat'};Создайте пользовательский детектор объектов YOLO v3, добавив головки обнаружения в слои извлечения элементов базовой сети. Укажите имя модели, классы и поля привязки.
detector = yolov3ObjectDetector(net,classes,aboxes,'ModelName','Custom YOLO v3','DetectionNetworkSource',layer);
Проверка архитектуры сети глубокого обучения YOLO v3 с помощью analyzeNetwork (Deep Learning Toolbox).
analyzeNetwork(detector.Network)
Проверьте свойства детектора объектов YOLO v3. Теперь можно обучить детектор объектов YOLO v3 пользовательскому набору учебных 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'
Сведения о подготовке детектора объектов YOLO v3 см. в примере «Обнаружение объектов с помощью глубокого обучения YOLO v3».