Предварительное обучение и тестовые изображения
outputData = preprocess(detector,trainingData)trainingData перед использованием для обучения детектора объекта YOLO v3. Учебные изображения и соответствующие ограничивающие рамки хранятся в trainingData. preprocess функция выполняет следующие операции:
Масштабирует значения интенсивности обучающих изображений до диапазона [0, 1].
Изменение размеров учебных изображений до одного из ближайших размеров сетевого ввода и обновление значений координат ограничивающей рамки для точного обучения. Функция сохраняет исходное соотношение сторон обучающих данных.
outputImg = preprocess(detector,img)img для обнаружения объекта с помощью детектора объекта YOLO v3. preprocess функция выполняет следующие операции:
Масштабирует значения интенсивности тестовых изображений до диапазона [0, 1].
Изменяет размер тестовых изображений до одного из ближайших размеров сетевого ввода и сохраняет исходное соотношение сторон каждого тестового изображения.
[___, возвращает информацию о масштабном коэффициенте, применяемом для изменения размера изображения, в дополнение к любой комбинации аргументов из предыдущих синтаксисов.scaleInfo] = preprocess(___)
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');Загрузите набор учебных данных в рабочую область. Учебные данные представляют собой массив ячеек, содержащий изображения, значения ограничивающих рамок и метки классов.
load('trainingData.mat','trainingData');
Измените размер обучающих изображений до ближайшего размера сетевого ввода и масштабируйте значения интенсивности с помощью preprocess функция.
outputData = preprocess(detector,trainingData);
Отображение выходного изображения и информации о масштабе, используемой для изменения размера изображения.
outputImg = outputData{1,1};
figure
imshow(outputImg)
Просмотрите входные и предварительно обработанные значения.
bboxIn = cell2table(trainingData,'VariableNames',{'Images','Bounding Boxes','Labels'})
bboxIn=3×3 table
Images Bounding Boxes Labels
_________________ ________________________ ___________
{224×399×3 uint8} 220 136 35 28 {'vehicle'}
{224×399×3 uint8} 175 126 61 45 {'vehicle'}
{224×399×3 uint8} 108 120 45 33 {'vehicle'}
bboxOut = cell2table(outputData,'VariableNames',{'Images','Bounding Boxes','Labels'})
bboxOut=3×3 table
Images Bounding Boxes Labels
__________________ ________________________ ___________
{416×416×3 single} 229 232 36 29 {'vehicle'}
{416×416×3 single} 182 222 64 46 {'vehicle'}
{416×416×3 single} 112 215 47 35 {'vehicle'}
Загрузите предварительно обученный детектор объектов YOLO v3.
detector = yolov3ObjectDetector('tiny-yolov3-coco');Чтение тестового изображения.
I = imread('highway.png');Измените размер тестового изображения в соответствии с размером сетевого ввода и масштабируйте значения интенсивности с помощью preprocess функция.
[outputImg,scaleInfo] = preprocess(detector,I);
Отображение выходного изображения и информации о масштабе, используемой для изменения размера изображения.
figure imshow(outputImg)
disp(scaleInfo)
PreprocessedImageSize: [416 416]
ScaleX: 0.7692
ScaleY: 0.5769