Загрузите предварительно обученный детектор объектов YOLO v3.

detector = yolov3ObjectDetector('tiny-yolov3-coco');

Загрузите тестовый образ для прогнозирования.

I = imread('highway.png');

Выполните предварительную обработку тестового изображения и преобразуйте предварительно обработанное изображение в форматированный объект dlarray.

[Ip,info] = preprocess(detector,I);
dlX = dlarray(Ip,'SSCB');

Вычислить прогнозы для тестового изображения. predict функция возвращает прогнозы для карт функций из выходных уровней сети глубокого обучения YOLO v3. Первый столбец содержит доверительные баллы. Столбцы 2-5 содержат положения ограничивающей рамки, вычисленные относительно координат ячейки сетки. Шестой столбец содержит вероятности классов для каждого класса, используемого во время обучения. Седьмой и восьмой столбцы содержат предшествующую ширину и предшествующую высоту ограничивающих прямоугольников, вычисленные сетью соответственно.

output = predict(detector,dlX)

output=2×8 cell array
    {13×13×3×1 dlarray}    {13×13×3×1 dlarray}    {13×13×3×1 dlarray}    {13×13×3×1 dlarray}    {13×13×3×1 dlarray}    {13×13×240×1 dlarray}    {13×13×3×1 dlarray}    {13×13×3×1 dlarray}
    {26×26×3×1 dlarray}    {26×26×3×1 dlarray}    {26×26×3×1 dlarray}    {26×26×3×1 dlarray}    {26×26×3×1 dlarray}    {26×26×240×1 dlarray}    {26×26×3×1 dlarray}    {26×26×3×1 dlarray}

Затем можно получить окончательные обнаружения, используя прогнозы для элементов с максимальными показателями объективности. Оценка объективности является результатом оценки достоверности и вероятности класса. Чтобы вычислить точное расположение ограничивающей рамки, необходимо сопоставить прогнозируемые значения ограничивающей рамки с координатами рамки. Кроме того, можно использовать detect функция для непосредственного получения результатов обнаружения. detect функция внутри вызывает predict для вычисления карт элементов.