Этот пример показывает, как оценить якорные рамки с помощью таблицы, содержащей обучающие данные. В первом столбце содержатся обучающие изображения, а в остальных столбцы маркированные ограничительные рамки.

data = load('vehicleTrainingData.mat');
trainingData = data.vehicleTrainingData;

Создайте boxLabelDatastore объект с использованием маркированных ограничительных рамок из обучающих данных.

blds = boxLabelDatastore(trainingData(:,2:end));

Оцените якорные коробки с помощью boxLabelDatastore объект.

numAnchors = 5;
anchorBoxes = estimateAnchorBoxes(blds,numAnchors);

Задайте размер изображения.

inputImageSize = [128,228,3];

Укажите количество классов для обнаружения.

numClasses = 1;

Используйте предварительно обученную ResNet-50 сеть в качестве базовой сети для сети YOLO v2.

network = resnet50();

Укажите слой сети, который будет использоваться для редукции данных. Можно использовать analyzeNetwork функция для просмотра всех имен слоев в сети.

featureLayer = 'activation_49_relu';

Создайте сеть обнаружения объектов YOLO v2.

lgraph = yolov2Layers(inputImageSize,numClasses,anchorBoxes,network, featureLayer)

lgraph = 
  LayerGraph with properties:

         Layers: [182×1 nnet.cnn.layer.Layer]
    Connections: [197×2 table]
     InputNames: {'input_1'}
    OutputNames: {'yolov2OutputLayer'}

Визуализируйте сеть с помощью сетевого анализатора.

analyzeNetwork(lgraph)

Загрузите таблицу обучающих данных класса транспортного средства, которая содержит ограничительные рамки с метками.

data = load('vehicleTrainingData.mat');
trainingData = data.vehicleTrainingData;

Добавьте полный путь к локальной папке данных о транспортном средстве.

dataDir = fullfile(toolboxdir('vision'),'visiondata');
trainingData.imageFilename = fullfile(dataDir,trainingData.imageFilename);

Создайте imageDatastore объект, используя имена файлов в таблице.

imds = imageDatastore(trainingData.imageFilename);

Создайте boxLabelDatastore объект, использующий таблицу с данными о метках.

blds = boxLabelDatastore(trainingData(:,2:end));

Объедините imageDatastore и boxLabelDatastore объекты.

cds = combine(imds,blds);

Ознакомьтесь с данными для обучения. Используйте read функция объекта для возврата изображений, ограничивающих рамок и меток.

read(cds)

ans=1×3 cell array
    {128x228x3 uint8}    {[126 78 20 16]}    {[vehicle]}

Загрузите таблицу обучающих данных класса транспортного средства, которая содержит ограничительные рамки с метками.

load('vehicleTrainingData.mat');

Загрузите таблицу знаков упора и обучающих данных класса автомобилей, которая содержит ограничительные рамки с метками.

load('stopSignsAndCars.mat');

Составьте основную истину таблицы из обучающих данных.

vehiclesTbl  = vehicleTrainingData(:,2:end);
stopSignsTbl = stopSignsAndCars(:,2:end);

Создайте boxLabelDatastore объект с использованием двух таблиц: одна с данными о метке транспортного средства, а другая с данными о стоповых знаках и метках автомобилей.

blds = boxLabelDatastore(vehiclesTbl,stopSignsTbl);

Создайте imageDatastore объект с использованием имен файлов в таблицах обучающих данных.

dataDir = fullfile(toolboxdir('vision'),'visiondata');
vehicleFiles = fullfile(dataDir,vehicleTrainingData.imageFilename);
stopSignFiles = fullfile(dataDir,stopSignsAndCars.imageFilename);
imds = imageDatastore([vehicleFiles;stopSignFiles]);

Объедините imageDatastore и boxLabelDatastore объекты.

cds = combine(imds,blds);

Ознакомьтесь с данными для обучения. Используйте read функция объекта для возврата изображений, ограничивающих рамок и меток.

read(cds)

ans=1×3 cell array
    {128x228x3 uint8}    {[126 78 20 16]}    {[vehicle]}