yolov2OutputLayer

Создайте выходной слой для сети обнаружения объектов YOLO v2

Описание

The yolov2OutputLayer функция создает YOLOv2OutputLayer объект, который представляет слой выхода для сети обнаружения объектов только один раз версии 2 (YOLO v2). Слой выхода обеспечивает уточненные положения ограничивающих прямоугольников целевых объектов.

Создание

Синтаксис

layer = yolov2OutputLayer(anchorBoxes)

layer = yolov2OutputLayer(anchorBoxes,Name,Value)

Описание

пример

layer = yolov2OutputLayer(anchorBoxes) создает YOLOv2OutputLayer объект, layer, который представляет слой выхода для сети обнаружения объектов YOLO v2. Слой выводит уточненные положения ограничивающего прямоугольника, которые прогнозируются с помощью предопределенного набора анкерных коробок, заданных на входе.

пример

layer = yolov2OutputLayer(anchorBoxes,Name,Value) устанавливает дополнительные свойства с помощью пар "имя-значение" и входов из предыдущего синтаксиса. Заключайте каждое имя свойства в одинарные кавычки. Для примера, yolov2OutputLayer('Name','yolo_Out') создает выходной слой с именем 'yolo _ Out'.

Входные параметры

расширить все

`anchorBoxes` - Комплект анкерных коробок
M -by-2 матрица

Набор анкерных коробок, заданный как матрица M-на-2, где каждая строка имеет вид [height width]. Матрица определяет высоту и ширину M количества анкерных коробок. Этот вход устанавливает AnchorBoxes свойство выходного слоя. Можно использовать подход кластеризации для оценки якорей из обучающих данных. Для получения дополнительной информации смотрите Оценка анкерных блоков из обучающих данных.

Свойства

расширить все

`Name` - Имя слоя
`''` (по умолчанию) | символьный вектор | строковый скаляр

Имя слоя, заданное как вектор символов или строковый скаляр. Чтобы включить слой в график слоев, необходимо задать непустое уникальное имя слоя. Если вы обучаете последовательную сеть с слоем и Name установлено в ''затем программа автоматически присваивает слою имя во время обучения.

Типы данных: char | string

`LossFunction` - Функция потерь
`'mean-squared-error'` (по умолчанию)

Это свойство доступно только для чтения.

Функция потерь, заданная как 'mean-squared-error'. Для получения дополнительной информации о функции потерь см. «Функция потерь для уточнения ограничивающего прямоугольника».

`AnchorBoxes` - Комплект анкерных коробок
M -by-2 матрица

Это свойство доступно только для чтения.

Набор анкерных коробок, используемых для обучения, задается как матрица M-на-2, определяющая ширину и высоту M количества анкерных коробок. Это свойство задается входом anchorBoxes.

`LossFactors` - Веса в функции потерь
`[5 1 1 1]` (по умолчанию) | вектор 1 на 4

Это свойство доступно только для чтения.

Веса в функции потерь, определенной как вектор формы 1 на 4 _{[<reservedrangesplaceholder3> <reservedrangesplaceholder2> <reservedrangesplaceholder1> <reservedrangesplaceholder0>} ]. Веса увеличивают стабильность сетевой модели, штрафуя неправильные ограничительные прямоугольные предсказания и ложные классификации. Для получения дополнительной информации о весах потерь функции, см. «Функция потерь для уточнения ограничивающего прямоугольника».

`Classes` - Классы выходного слоя
'auto' (по умолчанию) | категориальный вектор | строковые массивы | массив ячеек из векторов символов

Классы выходного слоя, заданные как категориальный вектор, строковые массивы, массив ячеек из векторов символов или 'auto'. Используйте эту пару "имя-значение", чтобы задать имена классов объектов во входных обучающих данных.

Если значение установлено на 'auto', затем программное обеспечение автоматически устанавливает классы во время обучения. Если вы задаете строковые массивы или массив ячеек векторов символов str, затем программное обеспечение устанавливает классы выходного слоя на categorical(str). Значение по умолчанию 'auto'.

Типы данных: char | string | cell | categorical

`NumInputs` - Количество входов
1 (по умолчанию)

Количество входов слоя. Этот слой принимает только один вход.

Типы данных: double

`InputNames` - Входные имена
`{'in'}` (по умолчанию)

Входные имена слоя. Этот слой принимает только один вход.

Типы данных: cell

Примеры

свернуть все

Создайте выходной слой YOLO v2

Этот пример использует:

Открыть Live Script

Создайте выходной слой YOLO v2 с двумя анкерными полями.

Определите высоту и ширину анкерных коробок.

anchorBoxes = [16 16;32 32];

Задайте имена классов объектов в обучающих данных.

classNames = {'Vehicle','Person'};

Сгенерируйте выходной слой YOLO v2 с именем «yolo_Out.»

layer = yolov2OutputLayer(anchorBoxes,'Name','yolo_Out','Classes',classNames);

Проверьте свойства выходного слоя YOLO v2.

layer

layer = 
  YOLOv2OutputLayer with properties:

            Name: 'yolo_Out'

   Hyperparameters
         Classes: [2x1 categorical]
    LossFunction: 'mean-squared-error'
     AnchorBoxes: [2x2 double]
     LossFactors: [5 1 1 1]

Вы можете считать значения для Classes свойство при помощи записи через точку layer.Classes. Функция хранит имена классов как категориальный массив.

layer.Classes

ans = 2x1 categorical
     Vehicle 
     Person

Подробнее о

расширить все

Функция потерь для уточнения ограничивающего прямоугольника

Во время обучения выхода слой сети YOLO v2 предсказывает уточненные положения ограничивающего прямоугольника путем оптимизации средней потери квадратичной невязки между предсказанными ограничивающими прямоугольниками и основной истиной. Функция потерь определяется как

$\begin{array}{l} K_{1} \sum_{i = 0}^{S^{2}} \sum_{j = 0}^{B} 1_{i j}^{o b j} [{(x_{i} - {\hat{x}}_{i})}^{2} + {(y_{i} - {\hat{y}}_{i})}^{2}] \\ + K_{1} \sum_{i = 0}^{S^{2}} \sum_{j = 0}^{B} 1_{i j}^{o b j} [{(\sqrt{w_{i}} - \sqrt{{\hat{w}}_{i}})}^{2} + {(\sqrt{h_{i}} - \sqrt{{\hat{h}}_{i}})}^{2}] \\ + K_{2} \sum_{i = 0}^{S^{2}} \sum_{j = 0}^{B} 1_{i j}^{o b j} {(C_{i} - {\hat{C}}_{i})}^{2} \\ + K_{3} \sum_{i = 0}^{S^{2}} \sum_{j = 0}^{B} 1_{i j}^{n o o b j} {(C_{i} - {\hat{C}}_{i})}^{2} \\ + K_{4} \sum_{i = 0}^{S^{2}} 1_{i}^{o b j} \sum_{c \in c l a s s e s} {(p_{i} (c) - {\hat{p}}_{i} (c))}^{2} \end{array}$

где:

S - количество камер сетки
B количество ограничивающих рамок в каждой камере сетки.
$1_{i j}^{o b j}$ равен 1, если jth ограничивающий прямоугольник в камере сетки i отвечает за обнаружение объекта. В противном случае значение устанавливается равным 0. За обнаружение объекта отвечает i камеры сетки, если перекрытие между основной истиной и ограничивающим прямоугольником в этой камере сетки больше или равно 0,6.
$1_{i j}^{n o o b j}$ равен 1, если jth ограничивающий прямоугольник в i камер сетки не содержит объекта. В противном случае значение устанавливается равным 0.
$1_{i}^{o b j}$ равен 1, если объект обнаружен в i камер сетки. В противном случае значение устанавливается равным 0.
_K1, _K2, _K3 и _K4 - это веса. Чтобы настроить веса, измените LossFactors свойство.

Функция потерь может быть разделена на три части:

Потеря локализации
Первый и второй условия в функции потерь содержат потери локализации. Он измеряет ошибку между предсказанным ограничивающим прямоугольником и основной истиной. Параметры для вычисления потерь локализации включают положение, размер предсказанного ограничивающего прямоугольника и основной истины. Параметры заданы следующим образом.
- $(x_{i}, y_{i})$ , - центр jth ограничивающего прямоугольника относительно i камер сетки.
- $({\hat{x}}_{i}, {\hat{y}}_{i})$ , - центр основной истины относительно сетки камеры i.
- $w_{i} и h_{i}$ - ширина и высота jth ограничивающего прямоугольника в i камер сетки, соответственно. Размер предсказанного ограничивающего прямоугольника задается относительно входа размера изображения.
- ${\hat{w}}_{i} и {\hat{h}}_{i}$ - ширина и высота основной истины в сетке камеры i, соответственно.
- _K1 - вес потерь локализации. Увеличьте это значение, чтобы увеличить вес ошибок предсказания ограничивающего прямоугольника.
Доверие
Третий и четвертый условия в функции потерь состоят в доверительной потере. Третий термин измеряет objectness (оценка достоверности) ошибку, когда объект обнаруживается в jth ограничивающем прямоугольнике сетки камеры i. Четвертый член измеряет ошибку возражаемости, когда ни один объект не обнаружен в jth ограничивающем прямоугольнике сетки камеры i. Параметры для вычисления потерь доверия заданы следующим образом.
- _Ci - оценка достоверности jth ограничивающего прямоугольника в сетке камеры i.
- _Ĉi - оценка достоверности основной истины в сетке камеры i.
- _K2 - вес ошибки возражаемости, когда объект обнаруживается в предсказанном ограничивающем прямоугольнике. Можно настроить значение _K2, чтобы взвесить оценки достоверности из камер сетки, которые содержат объекты.
- _K3 - вес ошибки возражаемости, когда объект не обнаруживается в предсказанном ограничивающем прямоугольнике. Можно настроить значение _K3, чтобы взвесить оценки достоверности из камер сетки, которые не содержат объектов.
Потеря доверия может привести к различию в обучении, когда количество камер сетки, не содержащих объекты, превышает количество камер сетки, содержащих объекты. Чтобы исправить это, увеличьте значение для _K2 и уменьшите значение для _K3.
Классификационные потери
Пятый член функции потерь включает классификационные потери. Например, предположим, что объект обнаружен в предсказанном ограничивающем прямоугольнике, содержащемся в i камер сетки. Затем классификационные потери измеряют квадратичную невязку между условными вероятностями класса для каждого класса в i камер сетки. Параметры для вычисления классификационных потерь определяются следующим образом.
- _pi (c) является оцененной вероятностью условного класса для класса объекта, c в i камер сетки.
- ${\hat{p}}_{i} (c)$ является фактической вероятностью условного класса для класса объекта, c в i камер сетки.
- _K4 - вес ошибки классификации, когда объект обнаруживается в камере сетки. Увеличьте это значение, чтобы увеличить вес классификационных потерь.

Совет

Чтобы улучшить точность предсказания, вы можете:

Обучите сеть большему количеству изображений. Можно расширить обучающий набор данных путем увеличения данных. Для получения информации о том, как применить увеличение данных для обучения набора данных, смотрите Preprocess Images for Глубокое Обучение (Deep Learning Toolbox).
Выполните многомасштабное обучение при помощи trainYOLOv2ObjectDetector функция. Для этого задайте 'TrainingImageSize'аргумент trainYOLOv2ObjectDetector функция для настройки сети.
Выберите якорные рамки, соответствующие набору данных для обучения сети. Вы можете использовать estimateAnchorBoxes функция для вычисления анкерных коробок непосредственно из обучающих данных.

Ссылки

[1] Джозеф. Р, С. К. Диввала, Р. Б. Гиршик, и Ф. Али. «Вы смотрите только один раз: унифицированное обнаружение объектов в реальном времени». В работе Конференции IEEE по компьютерному зрению и распознаванию шаблона (CVPR), стр. 779-788. Лас-Вегас, NV: CVPR, 2016.

[2] Джозеф. Р и Ф. Али. «ЙОЛО 9000: Лучше, Быстрее, Сильнее». В работе Конференции IEEE по компьютерному зрению и распознаванию шаблона (CVPR), стр. 6517-6525. Гонолулу, HI: CVPR, 2017.

Расширенные возможности

Генерация кода GPU
Сгенерируйте код CUDA ® для графических процессоров NVIDIA ® с помощью GPU Coder™

Как сгенерировать CUDA^® или Код С++ при помощи GPU Coder™, вы должны сначала создать и обучить глубокую нейронную сеть. После обучения и оценки сети можно сконфигурировать генератор кода, чтобы сгенерировать код и развернуть сверточную нейронную сеть на платформах, которые используют NVIDIA^® или ARM^® Графические процессоры. Для получения дополнительной информации смотрите Глубокое Обучение с GPU Coder (GPU Coder).

Для этого слоя можно сгенерировать код, который использует преимущества библиотеки глубоких нейронных сетей NVIDIA CUDA (cuDNN), NVIDIA TensorRT™ библиотеки вывода высокой эффективности или ARM Compute Library для Mali GPU.

См. также

spaceToDepthLayer | trainYOLOv2ObjectDetector | yolov2Layers | yolov2ObjectDetector

Темы

Введенный в R2019a

Документация

yolov2OutputLayer

Описание

Создание

Синтаксис

Описание

Входные параметры

`anchorBoxes` - Комплект анкерных коробок
M -by-2 матрица

Свойства

`Name` - Имя слоя
`''` (по умолчанию) | символьный вектор | строковый скаляр

`LossFunction` - Функция потерь
`'mean-squared-error'` (по умолчанию)

`AnchorBoxes` - Комплект анкерных коробок
M -by-2 матрица

`LossFactors` - Веса в функции потерь
`[5 1 1 1]` (по умолчанию) | вектор 1 на 4

`Classes` - Классы выходного слоя
'auto' (по умолчанию) | категориальный вектор | строковые массивы | массив ячеек из векторов символов

`NumInputs` - Количество входов
1 (по умолчанию)

`InputNames` - Входные имена
`{'in'}` (по умолчанию)

Примеры

Создайте выходной слой YOLO v2

Подробнее о

Функция потерь для уточнения ограничивающего прямоугольника

Совет

Ссылки

Расширенные возможности

Генерация кода GPU
Сгенерируйте код CUDA ® для графических процессоров NVIDIA ® с помощью GPU Coder™

См. также

Темы

Документация по Computer Vision Toolbox

Поддержка

Документация

yolov2OutputLayer

Описание

Создание

Синтаксис

Описание

Входные параметры

anchorBoxes - Комплект анкерных коробок M -by-2 матрица

Свойства

Name - Имя слоя '' (по умолчанию) | символьный вектор | строковый скаляр

LossFunction - Функция потерь 'mean-squared-error' (по умолчанию)

AnchorBoxes - Комплект анкерных коробок M -by-2 матрица

LossFactors - Веса в функции потерь [5 1 1 1] (по умолчанию) | вектор 1 на 4

Classes - Классы выходного слоя 'auto' (по умолчанию) | категориальный вектор | строковые массивы | массив ячеек из векторов символов

NumInputs - Количество входов 1 (по умолчанию)

InputNames - Входные имена {'in'} (по умолчанию)

Примеры

Создайте выходной слой YOLO v2

Подробнее о

Функция потерь для уточнения ограничивающего прямоугольника

Совет

Ссылки

Расширенные возможности

Генерация кода GPU Сгенерируйте код CUDA ® для графических процессоров NVIDIA ® с помощью GPU Coder™

См. также

Темы

Документация по Computer Vision Toolbox

Поддержка

`anchorBoxes` - Комплект анкерных коробок
M -by-2 матрица

`Name` - Имя слоя
`''` (по умолчанию) | символьный вектор | строковый скаляр

`LossFunction` - Функция потерь
`'mean-squared-error'` (по умолчанию)

`AnchorBoxes` - Комплект анкерных коробок
M -by-2 матрица

`LossFactors` - Веса в функции потерь
`[5 1 1 1]` (по умолчанию) | вектор 1 на 4

`Classes` - Классы выходного слоя
'auto' (по умолчанию) | категориальный вектор | строковые массивы | массив ячеек из векторов символов

`NumInputs` - Количество входов
1 (по умолчанию)

`InputNames` - Входные имена
`{'in'}` (по умолчанию)

Генерация кода GPU
Сгенерируйте код CUDA ® для графических процессоров NVIDIA ® с помощью GPU Coder™