Обучите детектор объектов глубокого обучения SSD
обучает однократный мультибокс-детектор (SSD) с помощью глубокого обучения. Можно обучить детектор твердотельных накопителей обнаруживать несколько классов объектов.trainedDetector
= trainSSDObjectDetector(trainingData
,lgraph
,options
)
Эта функция требует, чтобы у вас были Deep Learning Toolbox™. Рекомендуется также иметь Parallel Computing Toolbox™ для использования с CUDA®-активный NVIDIA® ГРАФИЧЕСКИЙ ПРОЦЕССОР. Для получения информации о поддерживаемых вычислительных возможностях смотрите Поддержку GPU by Release (Parallel Computing Toolbox).
[
также возвращает информацию о процессе обучения, таком как потеря обучения и точность, для каждой итерации.trainedDetector
,info
] = trainSSDObjectDetector(___)
возобновляет обучение с контрольной точки детектора.trainedDetector
= trainSSDObjectDetector(trainingData
,checkpoint
,options
)
продолжает обучение детектора объектов SSD multibox с дополнительными опциями подстройки. Используйте этот синтаксис с дополнительными обучающими данными или чтобы выполнить больше итераций обучения, чтобы улучшить точность детектора.trainedDetector
= trainSSDObjectDetector(trainingData
,detector
,options
)
использует дополнительные опции, заданные одним или несколькими trainedDetector
= trainSSDObjectDetector(___,Name,Value
)Name,Value
аргументы в виде пар и любой из предыдущих входов.
Загрузите обучающие данные для обнаружения транспортного средства в рабочую область.
data = load('vehicleTrainingData.mat');
trainingData = data.vehicleTrainingData;
Укажите директории, в которых хранятся обучающие выборки. Добавьте полный путь к именам файлов в обучающих данных.
dataDir = fullfile(toolboxdir('vision'),'visiondata'); trainingData.imageFilename = fullfile(dataDir,trainingData.imageFilename);
Создайте изображение datastore, используя файлы из таблицы.
imds = imageDatastore(trainingData.imageFilename);
Создайте box label datastore с помощью столбцов label из таблицы.
blds = boxLabelDatastore(trainingData(:,2:end));
Объедините хранилища данных.
ds = combine(imds,blds);
Загрузка предварительно инициализированной сети обнаружения объектов SSD.
net = load('ssdVehicleDetector.mat');
lgraph = net.lgraph
lgraph = LayerGraph with properties: Layers: [132×1 nnet.cnn.layer.Layer] Connections: [141×2 table] InputNames: {'input_1'} OutputNames: {'focal_loss' 'rcnnboxRegression'}
Осмотрите слои в сети твердотельных накопителей и их свойства. Можно также создать сеть твердотельных накопителей путем выполнения шагов, описанных в разделе «Создание сети обнаружения объектов твердотельных накопителей».
lgraph.Layers
ans = 132×1 Layer array with layers: 1 'input_1' Image Input 224×224×3 images with 'zscore' normalization 2 'Conv1' Convolution 32 3×3×3 convolutions with stride [2 2] and padding 'same' 3 'bn_Conv1' Batch Normalization Batch normalization with 32 channels 4 'Conv1_relu' Clipped ReLU Clipped ReLU with ceiling 6 5 'expanded_conv_depthwise' Grouped Convolution 32 groups of 1 3×3×1 convolutions with stride [1 1] and padding 'same' 6 'expanded_conv_depthwise_BN' Batch Normalization Batch normalization with 32 channels 7 'expanded_conv_depthwise_relu' Clipped ReLU Clipped ReLU with ceiling 6 8 'expanded_conv_project' Convolution 16 1×1×32 convolutions with stride [1 1] and padding 'same' 9 'expanded_conv_project_BN' Batch Normalization Batch normalization with 16 channels 10 'block_1_expand' Convolution 96 1×1×16 convolutions with stride [1 1] and padding 'same' 11 'block_1_expand_BN' Batch Normalization Batch normalization with 96 channels 12 'block_1_expand_relu' Clipped ReLU Clipped ReLU with ceiling 6 13 'block_1_depthwise' Grouped Convolution 96 groups of 1 3×3×1 convolutions with stride [2 2] and padding 'same' 14 'block_1_depthwise_BN' Batch Normalization Batch normalization with 96 channels 15 'block_1_depthwise_relu' Clipped ReLU Clipped ReLU with ceiling 6 16 'block_1_project' Convolution 24 1×1×96 convolutions with stride [1 1] and padding 'same' 17 'block_1_project_BN' Batch Normalization Batch normalization with 24 channels 18 'block_2_expand' Convolution 144 1×1×24 convolutions with stride [1 1] and padding 'same' 19 'block_2_expand_BN' Batch Normalization Batch normalization with 144 channels 20 'block_2_expand_relu' Clipped ReLU Clipped ReLU with ceiling 6 21 'block_2_depthwise' Grouped Convolution 144 groups of 1 3×3×1 convolutions with stride [1 1] and padding 'same' 22 'block_2_depthwise_BN' Batch Normalization Batch normalization with 144 channels 23 'block_2_depthwise_relu' Clipped ReLU Clipped ReLU with ceiling 6 24 'block_2_project' Convolution 24 1×1×144 convolutions with stride [1 1] and padding 'same' 25 'block_2_project_BN' Batch Normalization Batch normalization with 24 channels 26 'block_2_add' Addition Element-wise addition of 2 inputs 27 'block_3_expand' Convolution 144 1×1×24 convolutions with stride [1 1] and padding 'same' 28 'block_3_expand_BN' Batch Normalization Batch normalization with 144 channels 29 'block_3_expand_relu' Clipped ReLU Clipped ReLU with ceiling 6 30 'block_3_depthwise' Grouped Convolution 144 groups of 1 3×3×1 convolutions with stride [2 2] and padding 'same' 31 'block_3_depthwise_BN' Batch Normalization Batch normalization with 144 channels 32 'block_3_depthwise_relu' Clipped ReLU Clipped ReLU with ceiling 6 33 'block_3_project' Convolution 32 1×1×144 convolutions with stride [1 1] and padding 'same' 34 'block_3_project_BN' Batch Normalization Batch normalization with 32 channels 35 'block_4_expand' Convolution 192 1×1×32 convolutions with stride [1 1] and padding 'same' 36 'block_4_expand_BN' Batch Normalization Batch normalization with 192 channels 37 'block_4_expand_relu' Clipped ReLU Clipped ReLU with ceiling 6 38 'block_4_depthwise' Grouped Convolution 192 groups of 1 3×3×1 convolutions with stride [1 1] and padding 'same' 39 'block_4_depthwise_BN' Batch Normalization Batch normalization with 192 channels 40 'block_4_depthwise_relu' Clipped ReLU Clipped ReLU with ceiling 6 41 'block_4_project' Convolution 32 1×1×192 convolutions with stride [1 1] and padding 'same' 42 'block_4_project_BN' Batch Normalization Batch normalization with 32 channels 43 'block_4_add' Addition Element-wise addition of 2 inputs 44 'block_5_expand' Convolution 192 1×1×32 convolutions with stride [1 1] and padding 'same' 45 'block_5_expand_BN' Batch Normalization Batch normalization with 192 channels 46 'block_5_expand_relu' Clipped ReLU Clipped ReLU with ceiling 6 47 'block_5_depthwise' Grouped Convolution 192 groups of 1 3×3×1 convolutions with stride [1 1] and padding 'same' 48 'block_5_depthwise_BN' Batch Normalization Batch normalization with 192 channels 49 'block_5_depthwise_relu' Clipped ReLU Clipped ReLU with ceiling 6 50 'block_5_project' Convolution 32 1×1×192 convolutions with stride [1 1] and padding 'same' 51 'block_5_project_BN' Batch Normalization Batch normalization with 32 channels 52 'block_5_add' Addition Element-wise addition of 2 inputs 53 'block_6_expand' Convolution 192 1×1×32 convolutions with stride [1 1] and padding 'same' 54 'block_6_expand_BN' Batch Normalization Batch normalization with 192 channels 55 'block_6_expand_relu' Clipped ReLU Clipped ReLU with ceiling 6 56 'block_6_depthwise' Grouped Convolution 192 groups of 1 3×3×1 convolutions with stride [2 2] and padding 'same' 57 'block_6_depthwise_BN' Batch Normalization Batch normalization with 192 channels 58 'block_6_depthwise_relu' Clipped ReLU Clipped ReLU with ceiling 6 59 'block_6_project' Convolution 64 1×1×192 convolutions with stride [1 1] and padding 'same' 60 'block_6_project_BN' Batch Normalization Batch normalization with 64 channels 61 'block_7_expand' Convolution 384 1×1×64 convolutions with stride [1 1] and padding 'same' 62 'block_7_expand_BN' Batch Normalization Batch normalization with 384 channels 63 'block_7_expand_relu' Clipped ReLU Clipped ReLU with ceiling 6 64 'block_7_depthwise' Grouped Convolution 384 groups of 1 3×3×1 convolutions with stride [1 1] and padding 'same' 65 'block_7_depthwise_BN' Batch Normalization Batch normalization with 384 channels 66 'block_7_depthwise_relu' Clipped ReLU Clipped ReLU with ceiling 6 67 'block_7_project' Convolution 64 1×1×384 convolutions with stride [1 1] and padding 'same' 68 'block_7_project_BN' Batch Normalization Batch normalization with 64 channels 69 'block_7_add' Addition Element-wise addition of 2 inputs 70 'block_8_expand' Convolution 384 1×1×64 convolutions with stride [1 1] and padding 'same' 71 'block_8_expand_BN' Batch Normalization Batch normalization with 384 channels 72 'block_8_expand_relu' Clipped ReLU Clipped ReLU with ceiling 6 73 'block_8_depthwise' Grouped Convolution 384 groups of 1 3×3×1 convolutions with stride [1 1] and padding 'same' 74 'block_8_depthwise_BN' Batch Normalization Batch normalization with 384 channels 75 'block_8_depthwise_relu' Clipped ReLU Clipped ReLU with ceiling 6 76 'block_8_project' Convolution 64 1×1×384 convolutions with stride [1 1] and padding 'same' 77 'block_8_project_BN' Batch Normalization Batch normalization with 64 channels 78 'block_8_add' Addition Element-wise addition of 2 inputs 79 'block_9_expand' Convolution 384 1×1×64 convolutions with stride [1 1] and padding 'same' 80 'block_9_expand_BN' Batch Normalization Batch normalization with 384 channels 81 'block_9_expand_relu' Clipped ReLU Clipped ReLU with ceiling 6 82 'block_9_depthwise' Grouped Convolution 384 groups of 1 3×3×1 convolutions with stride [1 1] and padding 'same' 83 'block_9_depthwise_BN' Batch Normalization Batch normalization with 384 channels 84 'block_9_depthwise_relu' Clipped ReLU Clipped ReLU with ceiling 6 85 'block_9_project' Convolution 64 1×1×384 convolutions with stride [1 1] and padding 'same' 86 'block_9_project_BN' Batch Normalization Batch normalization with 64 channels 87 'block_9_add' Addition Element-wise addition of 2 inputs 88 'block_10_expand' Convolution 384 1×1×64 convolutions with stride [1 1] and padding 'same' 89 'block_10_expand_BN' Batch Normalization Batch normalization with 384 channels 90 'block_10_expand_relu' Clipped ReLU Clipped ReLU with ceiling 6 91 'block_10_depthwise' Grouped Convolution 384 groups of 1 3×3×1 convolutions with stride [1 1] and padding 'same' 92 'block_10_depthwise_BN' Batch Normalization Batch normalization with 384 channels 93 'block_10_depthwise_relu' Clipped ReLU Clipped ReLU with ceiling 6 94 'block_10_project' Convolution 96 1×1×384 convolutions with stride [1 1] and padding 'same' 95 'block_10_project_BN' Batch Normalization Batch normalization with 96 channels 96 'block_11_expand' Convolution 576 1×1×96 convolutions with stride [1 1] and padding 'same' 97 'block_11_expand_BN' Batch Normalization Batch normalization with 576 channels 98 'block_11_expand_relu' Clipped ReLU Clipped ReLU with ceiling 6 99 'block_11_depthwise' Grouped Convolution 576 groups of 1 3×3×1 convolutions with stride [1 1] and padding 'same' 100 'block_11_depthwise_BN' Batch Normalization Batch normalization with 576 channels 101 'block_11_depthwise_relu' Clipped ReLU Clipped ReLU with ceiling 6 102 'block_11_project' Convolution 96 1×1×576 convolutions with stride [1 1] and padding 'same' 103 'block_11_project_BN' Batch Normalization Batch normalization with 96 channels 104 'block_11_add' Addition Element-wise addition of 2 inputs 105 'block_12_expand' Convolution 576 1×1×96 convolutions with stride [1 1] and padding 'same' 106 'block_12_expand_BN' Batch Normalization Batch normalization with 576 channels 107 'block_12_expand_relu' Clipped ReLU Clipped ReLU with ceiling 6 108 'block_12_depthwise' Grouped Convolution 576 groups of 1 3×3×1 convolutions with stride [1 1] and padding 'same' 109 'block_12_depthwise_BN' Batch Normalization Batch normalization with 576 channels 110 'block_12_depthwise_relu' Clipped ReLU Clipped ReLU with ceiling 6 111 'block_12_project' Convolution 96 1×1×576 convolutions with stride [1 1] and padding 'same' 112 'block_12_project_BN' Batch Normalization Batch normalization with 96 channels 113 'block_12_add' Addition Element-wise addition of 2 inputs 114 'block_13_expand' Convolution 576 1×1×96 convolutions with stride [1 1] and padding 'same' 115 'block_13_expand_BN' Batch Normalization Batch normalization with 576 channels 116 'block_13_expand_relu' Clipped ReLU Clipped ReLU with ceiling 6 117 'block_13_depthwise' Grouped Convolution 576 groups of 1 3×3×1 convolutions with stride [2 2] and padding 'same' 118 'block_13_depthwise_BN' Batch Normalization Batch normalization with 576 channels 119 'block_13_depthwise_relu' Clipped ReLU Clipped ReLU with ceiling 6 120 'block_13_project' Convolution 160 1×1×576 convolutions with stride [1 1] and padding 'same' 121 'block_13_project_BN' Batch Normalization Batch normalization with 160 channels 122 'block_13_project_BN_anchorbox1' Anchor Box Layer. Anchor Box Layer. 123 'block_13_project_BN_mbox_conf_1' Convolution 10 3×3 convolutions with stride [1 1] and padding [1 1 1 1] 124 'block_13_project_BN_mbox_loc_1' Convolution 20 3×3 convolutions with stride [1 1] and padding [1 1 1 1] 125 'block_10_project_BN_anchorbox2' Anchor Box Layer. Anchor Box Layer. 126 'block_10_project_BN_mbox_conf_1' Convolution 10 3×3 convolutions with stride [1 1] and padding [1 1 1 1] 127 'block_10_project_BN_mbox_loc_1' Convolution 20 3×3 convolutions with stride [1 1] and padding [1 1 1 1] 128 'confmerge' SSD Merge Layer. SSD Merge Layer. 129 'locmerge' SSD Merge Layer. SSD Merge Layer. 130 'anchorBoxSoft' Softmax softmax 131 'focal_loss' Focal Loss Layer. Focal Loss Layer. 132 'rcnnboxRegression' Box Regression Output smooth-l1 loss
Сконфигурируйте сетевые опции обучения.
options = trainingOptions('sgdm',... 'InitialLearnRate',5e-5,... 'MiniBatchSize',16,... 'Verbose',true,... 'MaxEpochs',50,... 'Shuffle','every-epoch',... 'VerboseFrequency',10,... 'CheckpointPath',tempdir);
Обучите сеть SSD.
[detector,info] = trainSSDObjectDetector(ds,lgraph,options);
************************************************************************* Training an SSD Object Detector for the following object classes: * vehicle Training on single CPU. Initializing input data normalization. |=======================================================================================================| | Epoch | Iteration | Time Elapsed | Mini-batch | Mini-batch | Mini-batch | Base Learning | | | | (hh:mm:ss) | Loss | Accuracy | RMSE | Rate | |=======================================================================================================| | 1 | 1 | 00:00:18 | 0.8757 | 48.51% | 1.47 | 5.0000e-05 | | 1 | 10 | 00:01:43 | 0.8386 | 48.35% | 1.43 | 5.0000e-05 | | 2 | 20 | 00:03:15 | 0.7860 | 48.87% | 1.37 | 5.0000e-05 | | 2 | 30 | 00:04:42 | 0.6771 | 48.65% | 1.23 | 5.0000e-05 | | 3 | 40 | 00:06:46 | 0.7129 | 48.43% | 1.28 | 5.0000e-05 | | 3 | 50 | 00:08:37 | 0.5723 | 49.04% | 1.09 | 5.0000e-05 | | 4 | 60 | 00:10:12 | 0.5632 | 48.72% | 1.08 | 5.0000e-05 | | 4 | 70 | 00:11:25 | 0.5438 | 49.11% | 1.06 | 5.0000e-05 | | 5 | 80 | 00:12:35 | 0.5277 | 48.48% | 1.03 | 5.0000e-05 | | 5 | 90 | 00:13:39 | 0.4711 | 48.95% | 0.96 | 5.0000e-05 | | 6 | 100 | 00:14:50 | 0.5063 | 48.72% | 1.00 | 5.0000e-05 | | 7 | 110 | 00:16:11 | 0.4812 | 48.99% | 0.97 | 5.0000e-05 | | 7 | 120 | 00:17:27 | 0.5248 | 48.53% | 1.04 | 5.0000e-05 | | 8 | 130 | 00:18:33 | 0.4245 | 49.32% | 0.90 | 5.0000e-05 | | 8 | 140 | 00:19:37 | 0.4889 | 48.87% | 0.98 | 5.0000e-05 | | 9 | 150 | 00:20:47 | 0.4213 | 49.18% | 0.89 | 5.0000e-05 | | 9 | 160 | 00:22:02 | 0.4753 | 49.45% | 0.97 | 5.0000e-05 | | 10 | 170 | 00:23:13 | 0.4454 | 49.31% | 0.92 | 5.0000e-05 | | 10 | 180 | 00:24:22 | 0.4378 | 49.26% | 0.92 | 5.0000e-05 | | 11 | 190 | 00:25:29 | 0.4278 | 49.13% | 0.90 | 5.0000e-05 | | 12 | 200 | 00:26:39 | 0.4494 | 49.77% | 0.93 | 5.0000e-05 | | 12 | 210 | 00:27:45 | 0.4298 | 49.03% | 0.90 | 5.0000e-05 | | 13 | 220 | 00:28:47 | 0.4296 | 49.86% | 0.90 | 5.0000e-05 | | 13 | 230 | 00:30:05 | 0.3987 | 49.65% | 0.86 | 5.0000e-05 | | 14 | 240 | 00:31:13 | 0.4042 | 49.46% | 0.87 | 5.0000e-05 | | 14 | 250 | 00:32:20 | 0.4244 | 50.16% | 0.90 | 5.0000e-05 | | 15 | 260 | 00:33:31 | 0.4374 | 49.72% | 0.93 | 5.0000e-05 | | 15 | 270 | 00:34:38 | 0.4016 | 48.95% | 0.86 | 5.0000e-05 | | 16 | 280 | 00:35:47 | 0.4289 | 49.44% | 0.91 | 5.0000e-05 | | 17 | 290 | 00:36:58 | 0.3866 | 49.10% | 0.84 | 5.0000e-05 | | 17 | 300 | 00:38:10 | 0.4077 | 49.59% | 0.87 | 5.0000e-05 | | 18 | 310 | 00:39:24 | 0.3943 | 49.74% | 0.86 | 5.0000e-05 | | 18 | 320 | 00:40:48 | 0.4206 | 49.99% | 0.89 | 5.0000e-05 | | 19 | 330 | 00:41:53 | 0.4504 | 49.72% | 0.94 | 5.0000e-05 | | 19 | 340 | 00:42:55 | 0.3449 | 50.38% | 0.78 | 5.0000e-05 | | 20 | 350 | 00:44:01 | 0.3450 | 49.57% | 0.77 | 5.0000e-05 | | 20 | 360 | 00:44:59 | 0.3769 | 50.24% | 0.83 | 5.0000e-05 | | 21 | 370 | 00:46:05 | 0.3336 | 50.40% | 0.76 | 5.0000e-05 | | 22 | 380 | 00:47:01 | 0.3453 | 49.27% | 0.78 | 5.0000e-05 | | 22 | 390 | 00:48:04 | 0.4011 | 49.72% | 0.87 | 5.0000e-05 | | 23 | 400 | 00:49:06 | 0.3307 | 50.32% | 0.75 | 5.0000e-05 | | 23 | 410 | 00:50:03 | 0.3186 | 50.01% | 0.73 | 5.0000e-05 | | 24 | 420 | 00:51:10 | 0.3491 | 50.43% | 0.78 | 5.0000e-05 | | 24 | 430 | 00:52:17 | 0.3299 | 50.31% | 0.76 | 5.0000e-05 | | 25 | 440 | 00:53:35 | 0.3326 | 50.78% | 0.76 | 5.0000e-05 | | 25 | 450 | 00:54:42 | 0.3219 | 50.61% | 0.75 | 5.0000e-05 | | 26 | 460 | 00:55:55 | 0.3090 | 50.59% | 0.71 | 5.0000e-05 | | 27 | 470 | 00:57:08 | 0.3036 | 51.48% | 0.71 | 5.0000e-05 | | 27 | 480 | 00:58:16 | 0.3359 | 50.43% | 0.76 | 5.0000e-05 | | 28 | 490 | 00:59:24 | 0.3182 | 50.35% | 0.73 | 5.0000e-05 | | 28 | 500 | 01:00:36 | 0.3265 | 50.71% | 0.76 | 5.0000e-05 | | 29 | 510 | 01:01:44 | 0.3415 | 50.53% | 0.78 | 5.0000e-05 | | 29 | 520 | 01:02:51 | 0.3126 | 51.15% | 0.73 | 5.0000e-05 | | 30 | 530 | 01:03:59 | 0.3179 | 50.74% | 0.75 | 5.0000e-05 | | 30 | 540 | 01:05:15 | 0.3032 | 50.83% | 0.72 | 5.0000e-05 | | 31 | 550 | 01:06:25 | 0.2868 | 50.69% | 0.68 | 5.0000e-05 | | 32 | 560 | 01:07:42 | 0.2716 | 50.85% | 0.66 | 5.0000e-05 | | 32 | 570 | 01:08:53 | 0.3016 | 51.32% | 0.71 | 5.0000e-05 | | 33 | 580 | 01:10:05 | 0.2624 | 51.35% | 0.63 | 5.0000e-05 | | 33 | 590 | 01:11:12 | 0.3145 | 51.38% | 0.73 | 5.0000e-05 | | 34 | 600 | 01:12:31 | 0.2949 | 51.28% | 0.70 | 5.0000e-05 | | 34 | 610 | 01:13:46 | 0.3070 | 51.22% | 0.73 | 5.0000e-05 | | 35 | 620 | 01:15:01 | 0.3119 | 51.49% | 0.73 | 5.0000e-05 | | 35 | 630 | 01:16:14 | 0.2869 | 51.81% | 0.70 | 5.0000e-05 | | 36 | 640 | 01:17:28 | 0.3401 | 51.28% | 0.78 | 5.0000e-05 | | 37 | 650 | 01:18:40 | 0.3123 | 51.43% | 0.73 | 5.0000e-05 | | 37 | 660 | 01:19:58 | 0.2954 | 51.27% | 0.71 | 5.0000e-05 | | 38 | 670 | 01:21:12 | 0.2792 | 52.17% | 0.68 | 5.0000e-05 | | 38 | 680 | 01:22:29 | 0.3225 | 51.36% | 0.76 | 5.0000e-05 | | 39 | 690 | 01:23:41 | 0.2867 | 52.63% | 0.69 | 5.0000e-05 | | 39 | 700 | 01:24:56 | 0.3067 | 51.52% | 0.73 | 5.0000e-05 | | 40 | 710 | 01:26:13 | 0.2718 | 51.84% | 0.66 | 5.0000e-05 | | 40 | 720 | 01:27:25 | 0.2888 | 52.03% | 0.70 | 5.0000e-05 | | 41 | 730 | 01:28:42 | 0.2854 | 51.96% | 0.69 | 5.0000e-05 | | 42 | 740 | 01:29:57 | 0.2744 | 51.18% | 0.67 | 5.0000e-05 | | 42 | 750 | 01:31:10 | 0.2582 | 51.90% | 0.64 | 5.0000e-05 | | 43 | 760 | 01:32:25 | 0.2586 | 52.48% | 0.64 | 5.0000e-05 | | 43 | 770 | 01:33:35 | 0.2632 | 51.47% | 0.65 | 5.0000e-05 | | 44 | 780 | 01:34:46 | 0.2532 | 51.58% | 0.63 | 5.0000e-05 | | 44 | 790 | 01:36:07 | 0.2889 | 52.19% | 0.69 | 5.0000e-05 | | 45 | 800 | 01:37:20 | 0.2551 | 52.35% | 0.63 | 5.0000e-05 | | 45 | 810 | 01:38:27 | 0.2863 | 51.29% | 0.69 | 5.0000e-05 | | 46 | 820 | 01:39:43 | 0.2700 | 52.58% | 0.67 | 5.0000e-05 | | 47 | 830 | 01:40:54 | 0.3234 | 51.96% | 0.76 | 5.0000e-05 | | 47 | 840 | 01:42:08 | 0.2819 | 52.88% | 0.69 | 5.0000e-05 | | 48 | 850 | 01:43:23 | 0.2743 | 52.80% | 0.67 | 5.0000e-05 | | 48 | 860 | 01:44:38 | 0.2365 | 52.21% | 0.60 | 5.0000e-05 | | 49 | 870 | 01:45:58 | 0.2271 | 52.23% | 0.58 | 5.0000e-05 | | 49 | 880 | 01:47:21 | 0.3006 | 52.23% | 0.72 | 5.0000e-05 | | 50 | 890 | 01:48:35 | 0.2494 | 52.32% | 0.63 | 5.0000e-05 | | 50 | 900 | 01:49:55 | 0.2383 | 53.51% | 0.61 | 5.0000e-05 | |=======================================================================================================| Detector training complete. *************************************************************************
Проверьте свойства детектора.
detector
detector = ssdObjectDetector with properties: ModelName: 'vehicle' Network: [1×1 DAGNetwork] ClassNames: {'vehicle' 'Background'} AnchorBoxes: {[5×2 double] [5×2 double]}
Можно проверить точность обучения путем проверки потерь обучения для каждой итерации.
figure plot(info.TrainingLoss) grid on xlabel('Number of Iterations') ylabel('Training Loss for Each Iteration')
Протестируйте детектор SSD на тестовом изображении.
img = imread('ssdTestDetect.png');
Запустите детектор объектов SSD на изображении для обнаружения транспортного средства.
[bboxes,scores] = detect(detector,img);
Отображение результатов обнаружения.
if(~isempty(bboxes)) img = insertObjectAnnotation(img,'rectangle',bboxes,scores); end figure imshow(img)
trainingData
- Маркированные наземные изображения истинностиМаркированные основные истины изображения, заданные как datastore или таблица.
Если вы используете datastore, ваши данные должны быть настроены так, чтобы вызывать datastore с read
и readall
функции возвращают массив ячеек или таблицу с двумя или тремя столбцами. Когда выход содержит два столбца, первый столбец должен содержать ограничительные рамки, а второй столбец должен содержать метки {boxes, labels}. Если выход содержит три столбца, второй столбец должен содержать ограничительные рамки, а третий столбец должен содержать метки. В этом случае первый столбец может содержать данные любого типа. Например, первый столбец может содержать изображения или данные облака точек.
data | boxes | labels |
---|---|---|
Первый столбец может содержать данные, такие как данные облака точек или изображения. | Второй столбец должен быть массивом ячеек, который содержит M на 5 матриц ограничивающих рамок формы [x center, y center, width, height, yaw]. Векторы представляют расположение и размер ограничивающих рамок для объектов на каждом изображении. | Третий столбец должен быть массивом ячеек, который содержит M категориальных векторов -by-1, содержащих имена классов объектов. Все категориальные данные, возвращенные datastore, должны содержать одни и те же категории. |
Для получения дополнительной информации смотрите Datastores for Глубокое Обучение (Deep Learning Toolbox).
lgraph
- График слоевLayerGraph
объектГрафик слоев, заданный как LayerGraph
объект. График слоев содержит архитектуру сети SSD multibox. Вы можете создать эту сеть, используя ssdLayers
функция или создание пользовательской сети. Для получения дополнительной информации смотрите Начало работы с SSD Multibox Detection.
detector
- Ранее обученный детектор объектов SSDssdObjectDetector
объект Ранее обученный детектор объектов SSD, заданный как ssdObjectDetector
объект. Используйте этот синтаксис, чтобы продолжить обучение детектора с дополнительными обучающими данными или выполнить больше итераций обучения, чтобы улучшить точность детектора.
options
- Опции обученияTrainingOptionsSGDM
| объекта TrainingOptionsRMSProp
| объекта TrainingOptionsADAM
объектОпции обучения, заданные как TrainingOptionsSGDM
, TrainingOptionsRMSProp
, или TrainingOptionsADAM
объект, возвращенный trainingOptions
(Deep Learning Toolbox) функция. Чтобы задать имя решателя и другие опции для сетевого обучения, используйте trainingOptions
(Deep Learning Toolbox) функция.
Примечание
Функция trainSSDObjectDetector не поддерживает следующие опции обучения:
Входы Datastore не поддерживаются при установке DispatchInBackground
опция обучения для true
.
checkpoint
- Сохраненная контрольная точка детектораssdObjectDetector
объектСохраненная контрольная точка детектора, заданная как ssdObjectDetector
объект. Чтобы сохранить детектор после каждой эпохи, установите 'CheckpointPath'
аргумент имя-значение при использовании trainingOptions
функция. Сохранение контрольной точки после каждой эпохи рекомендуется, потому что сетевое обучение может занять несколько часов.
Чтобы загрузить контрольную точку для ранее обученного детектора, загрузите MAT-файл из пути контрольной точки. Для примера, если CheckpointPath
свойство объекта, заданное как options
является '/checkpath'
можно загрузить MAT-файл контрольной точки с помощью этого кода.
data = load('/checkpath/ssd_checkpoint__216__2018_11_16__13_34_30.mat');
checkpoint = data.detector;
Имя MAT-файла включает номер итерации и временную метку момента сохранения контрольной точки детектора. Детектор сохранен в detector
переменная файла. Передайте этот файл обратно в функцию trainSSDObjectDetector:
ssdDetector = trainSSDObjectDetector(trainingData,checkpoint,options);
trainedDetector
- Обученный детектор многоядерных объектов SSDssdObjectDetector
объектОбученный детектор объектов SSD, возвращенный как ssdObjectDetector
объект. Можно обучить детектор объектов SSD обнаруживать несколько классов объектов.
info
- Информация о процессе обученияИнформация о процессе обучения, возвращенная как массив структур с восемью полями. Каждое поле соответствует этапу обучения.
TrainingLoss
- Потеря обучения при каждой итерации является средней квадратичной невязкой (MSE), рассчитанной как сумма ошибки локализации, доверительной потери и потерь классификации. Для получения дополнительной информации о функции потерь обучения см. Раздел «Потеря обучения».
TrainingAccuracy
- Точность обучающего набора при каждой итерации.
TrainingRMSE
- Обучающая средняя квадратичная невязка (RMSE) является RMSE, вычисленным из потерь обучения при каждой итерации.
BaseLearnRate
- Скорость обучения на каждой итерации.
ValidationLoss
- Потеря валидации при каждой итерации.
ValidationAccuracy
- Точность валидации при каждой итерации.
ValidationRMSE
- Валидация RMSE при каждой итерации.
FinalValidationLoss
- Окончательная потеря валидации в конце обучения.
FinalValidationRMSE
- Окончательная валидация RMSE в конце обучения.
Каждое поле является числовым вектором с одним элементом на итерацию обучения. Значения, которые не были вычислены при определенной итерации, назначаются как NaN
. Этот struct содержит ValidationLoss
, ValidationAccuracy
, ValidationRMSE
, FinalValidationLoss
, и FinalValidationRMSE
поля только при options
задает данные валидации.
[1] W. Liu, E. Anguelov, D. Erhan, C. Szegedy, S. Reed, C.Fu и A.C. Berg. SSD: Single Shot MultiBox Detector (неопр.) (недоступная ссылка). Европейская конференция по компьютерному зрению (ECCV), Springer Verlag, 2016
objectDetectorTrainingData
| ssdLayers
| trainingOptions
(Deep Learning Toolbox)У вас есть измененная версия этого примера. Вы хотите открыть этот пример с вашими правками?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.