Обнаружение объектов с помощью детектора объектов YOLO v3
bboxes = detect(detector,I)I, используя детектор объектов 3 версии (YOLO v3), detector. Размер входа изображения должен быть больше или равен размеру входа сети предварительно обученного детектора. Местоположения обнаруженных объектов возвращаются как набор ограничивающих рамок.
detectionResults = detect(detector,ds)read функция входа datastore ds.
[___] = detect(___, обнаруживает объекты в прямоугольной области поиска roi)roi, в дополнение к любой комбинации аргументов из предыдущих синтаксисов.
[___] = detect(___, задает опции, используя один или несколько аргументов имя-значение.Name,Value)
Примечание
Эта функция требует модели Computer Vision Toolbox™ для обнаружения объектов YOLO v3. Можно установить модель Computer Vision Toolbox для обнаружения объектов YOLO v3 из Add-On Explorer. Дополнительные сведения об установке дополнений см. в разделе Получение и управление Дополнений. Чтобы запустить эту функцию, вам потребуется Deep Learning Toolbox™.
Загрузите предварительно обученный детектор объектов YOLO v3.
detector = yolov3ObjectDetector('tiny-yolov3-coco');Прочтите тестовое изображение и предварительно обработайте тестовое изображение при помощи preprocess функция.
img = imread('sherlock.jpg');
img = preprocess(detector,img);Обнаружение объектов в тестовом изображении.
[bboxes,scores,labels] = detect(detector,img);
Отображение результатов обнаружения.
results = table(bboxes,labels,scores)
results=1×3 table
bboxes labels scores
________________________ ______ _______
134 69 280 272 dog 0.56819
detectedImg = insertObjectAnnotation(img,'Rectangle',bboxes,labels);
figure
imshow(detectedImg)
Загрузите предварительно обученный детектор YOLOv3 объектов.
detector = yolov3ObjectDetector('tiny-yolov3-coco');Считайте тестовые данные и сохраните их как изображение объект datastore.
location = fullfile(matlabroot,'toolbox','vision','visiondata','vehicles'); imds = imageDatastore(location);
Обнаружение объектов в тестовом наборе данных. Установите Threshold значение параметров 0,3 и MiniBatchSize значение параметров 32.
detectionResults = detect(detector,imds,'Threshold',0.3,'MiniBatchSize',32);
Считайте изображение из тестового набора данных и извлеките соответствующие результаты обнаружения.
num = 10;
I = readimage(imds,num);
bboxes = detectionResults.Boxes{num};
labels = detectionResults.Labels{num};
scores = detectionResults.Scores{num};Выполните немыслимое подавление, чтобы выбрать самые сильные ограничивающие рамки из перекрывающихся кластеров. Установите OverlapThreshold значение параметров 0,2.
[bboxes,scores,labels] = selectStrongestBboxMulticlass(bboxes,scores,labels,'OverlapThreshold',0.2);Отображение результатов обнаружения.
results = table(bboxes,labels,scores)
results=3×3 table
bboxes labels scores
________________________ ______ _______
14 71 52 27 car 0.93352
74 73 7 5 car 0.65369
102 73 15 10 car 0.85313
detectedImg = insertObjectAnnotation(I,'Rectangle',bboxes,labels);
figure
imshow(detectedImg)
Загрузите предварительно обученный детектор объектов YOLO v3.
detector = yolov3ObjectDetector('tiny-yolov3-coco');Чтение тестового изображения.
img = imread('highway.png');Задайте видимую область (ROI) в тестовом изображении.
roiBox = [70 40 100 100];
Обнаружение объектов в пределах заданного информация только для чтения.
[bboxes,scores,labels] = detect(detector,img,roiBox);
Отображение ROI и результатов обнаружения.
results = table(bboxes,labels,scores)
results=1×3 table
bboxes labels scores
_______________________ ______ _______
99 103 41 33 car 0.72206
img = insertObjectAnnotation(img,'Rectangle',roiBox,'ROI','Color',"blue"); detectedImg = insertObjectAnnotation(img,'Rectangle',bboxes,labels); figure imshow(detectedImg)
CombinedDatastore | forward | imageDatastore | predict | TransformedDatastore | yolov3ObjectDetector