Обучите детектор объектов YOLO v2
возвращает детектор объектов, обученный с использованием сетевой архитектуры версии 2 (YOLO v2), заданной входом detector
= trainYOLOv2ObjectDetector(trainingData
,lgraph
,options
)lgraph
. The options
вход задает параметры обучения для сети обнаружения.
возобновляет обучение с сохраненной контрольной точки детектора.detector
= trainYOLOv2ObjectDetector(trainingData
,checkpoint
,options
)
Можно использовать этот синтаксис для:
Добавьте больше обучающих данных и продолжите обучение.
Улучшите точность обучения, увеличив максимальное количество итераций.
продолжает обучение детектора объектов YOLO v2. Используйте этот синтаксис для настройки детектора.detector
= trainYOLOv2ObjectDetector(trainingData
,detector
,options
)
задает размеры изображений для многомасштабного обучения с помощью пары "имя-значение" в дополнение к входным параметрам в любом из предыдущих синтаксисов.detector
= trainYOLOv2ObjectDetector(___,'TrainingImageSize',trainingSizes
)
Чтобы сгенерировать основную истину, используйте Image Labeler или Video Labeler приложение. Чтобы создать таблицу обучающих данных из сгенерированной основной истины, используйте objectDetectorTrainingData
функция.
Чтобы улучшить точность предсказания,
Увеличьте количество изображений, которые можно использовать для обучения сети. Можно расширить обучающий набор данных путем увеличения данных. Для получения информации о том, как применить увеличение данных для предварительной обработки, 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.
[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.
objectDetectorTrainingData
| trainFasterRCNNObjectDetector
| trainFastRCNNObjectDetector
| trainRCNNObjectDetector
| yolov2Layers
| trainingOptions
(Deep Learning Toolbox)