Обнаружение объекта с использованием глубокого обучения обеспечивает быстрое и точное средство для прогнозирования местоположения объекта на изображении. Глубокое обучение - это мощный метод машинного обучения, при котором детектор объектов автоматически изучает особенности изображения, необходимые для задач обнаружения. Доступно несколько методов обнаружения объектов с помощью глубокого обучения, таких как более быстрый R-CNN, вы смотрите только один раз (YOLO) v2, YOLO v3 и одиночное обнаружение (SSD).
Приложения для обнаружения объектов включают в себя:
Классификация изображений
Понимание сцены
Самоуправляемые транспортные средства
Наблюдение
Используйте приложение для маркировки, чтобы в интерактивном режиме маркировать основные истинные данные в видео, последовательности изображений, коллекции изображений или пользовательском источнике данных. С помощью меток прямоугольника, определяющих положение и размер объекта на изображении, можно пометить обнаружение объекта как истинного.
Использование увеличения объема данных позволяет использовать ограниченные наборы данных для обучения. Незначительные изменения, такие как перевод, обрезка или преобразование изображения, предоставляют новые, отличные и уникальные изображения, которые можно использовать для обучения надежного детектора. Хранилища данных - это удобный способ чтения и дополнения коллекций данных. Использовать imageDatastore и boxLabelDatastore для создания хранилищ данных для изображений и данных ограничительной рамки с метками.
Дополнительные ограничивающие рамки для обнаружения объектов (панель инструментов глубокого обучения)
Предварительная обработка изображений для глубокого обучения (инструментарий для глубокого обучения)
Предварительная обработка данных для доменных приложений глубокого обучения (панель инструментов глубокого обучения)
Дополнительные сведения об увеличении объема учебных данных с помощью хранилищ данных см. в разделах Хранилища данных для глубокого обучения (Deep Learning Toolbox) и Выполнение дополнительных операций обработки изображений с помощью встроенных хранилищ данных (Deep Learning Toolbox).
Каждый детектор объектов содержит уникальную сетевую архитектуру. Например, более быстрый детектор R-CNN использует двухступенчатую сеть для обнаружения, тогда как детектор YOLO v2 использует одну ступень. Использовать такие функции, как fasterRCNNLayers или yolov2Layers для создания сети. Можно также создавать сетевые уровни по слоям с помощью Deep Network Designer (Deep Learning Toolbox).
Предварительно обученные нейронные сети (набор инструментов для глубокого обучения)
Проектирование R-CNN, Fast R-CNN и более быстрой модели R-CNN
Используйте trainFasterRCNNObjectDetector, trainYOLOv2ObjectDetector, trainSSDObjectDetector функции для обучения детектора объекта. Используйте evaluateDetectionMissRate и evaluateDetectionPrecision функции для оценки результатов обучения.
Обнаружение объектов на изображении с помощью обученного детектора. Например, показанный ниже частичный код использует обученный detector на изображении I. Используйте detect функция объекта на fasterRCNNObjectDetector, yolov2ObjectDetector, yolov3ObjectDetector, или ssdObjectDetector объекты для возврата ограничивающих рамок, показателей обнаружения и категориальных меток, назначенных ограничивающим рамкам.
I = imread(input_image) [bboxes,scores,labels] = detect(detector,I)