trainACFObjectDetector
Обучите детектор объектов ACF
Синтаксис
Описание
detector = trainACFObjectDetector(trainingData)trainingData Таблица и автоматически собирает отрицательные образцы с изображений во время обучения. Чтобы создать таблицу основной истины, используйте приложение Image Labeler или Video Labeler.
detector = trainACFObjectDetector(trainingData,Name,Value)detector объект с дополнительными опциями, заданными одним или несколькими Name,Value аргументы в виде пар.
Примеры
Обучите детектор знака стопа с помощью детектора объектов ACF
Используйте trainACFObjectDetector с обучающими изображениями для создания детектора объектов ACF, который может обнаруживать знаки остановки. Протестируйте детектор с отдельным изображением.
Загрузите обучающие данные.
load('stopSignsAndCars.mat')Выберите основную истину для знаков упора. Эта основная истина является набором известных местоположений стоповых знаков на изображениях.
stopSigns = stopSignsAndCars(:,1:2);
Добавьте полный путь к файлам изображений.
stopSigns.imageFilename = fullfile(toolboxdir('vision'),... 'visiondata',stopSigns.imageFilename);
Обучите детектор ACF. Можно выключить вывод процесса обучения путем определения 'Verbose',false как Name,Value пара.
acfDetector = trainACFObjectDetector(stopSigns,'NegativeSamplesFactor',2);ACF Object Detector Training The training will take 4 stages. The model size is 34x31. Sample positive examples(~100% Completed) Compute approximation coefficients...Completed. Compute aggregated channel features...Completed. -------------------------------------------- Stage 1: Sample negative examples(~100% Completed) Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 19 weak learners. -------------------------------------------- Stage 2: Sample negative examples(~100% Completed) Found 84 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 20 weak learners. -------------------------------------------- Stage 3: Sample negative examples(~100% Completed) Found 84 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 54 weak learners. -------------------------------------------- Stage 4: Sample negative examples(~100% Completed) Found 84 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 61 weak learners. -------------------------------------------- ACF object detector training is completed. Elapsed time is 18.9314 seconds.
Протестируйте детектор ACF на тестовом изображении.
img = imread('stopSignTest.jpg');
[bboxes,scores] = detect(acfDetector,img);Отобразите результаты обнаружения и вставьте ограничительные рамки для объектов в изображение.
for i = 1:length(scores) annotation = sprintf('Confidence = %.1f',scores(i)); img = insertObjectAnnotation(img,'rectangle',bboxes(i,:),annotation); end figure imshow(img)
Входные параметры
trainingData - Маркированные наземные изображения истинности
таблица
Маркированные основные истины изображения, заданные как таблица с двумя столбцами. Первый столбец должен содержать пути и имена файлов к изображениям в градациях серого или truecolor (RGB). Хотя детекторы на основе ACF лучше всего работают с изображениями труколора. Второй столбец содержит M-на-4 матрицы, которые содержат положения ограничивающих рамок, связанных с соответствующим изображением. Местоположения находятся в формате, [x, y, width, height]. Второй столбец представляет положительный образец одного класса объектов, такого как автомобиль, собака, цветок или стоп-знак. Отрицательные образцы автоматически собираются с изображений в процессе обучения .
Каждый ограничивающий прямоугольник должен быть в формате [x, y, width, height]. Формат задает расположение верхнего левого угла и размер объекта в соответствующем изображении. Имя табличной переменной (столбца) задает имя класса объекта. Чтобы создать таблицу основной истины, используйте приложение Image Labeler.
Аргументы в виде пар имя-значение
Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.
'ObjectTrainingSize', [100 100]