Создайте детектор объектов YOLO v3
The yolov3ObjectDetector объект создает детектор объектов (YOLO 3 v3) только один раз для обнаружения объектов в изображении. Используя этот объект, вы можете:
Создайте предварительно обученный детектор объектов YOLO v3 с помощью нейронных сетей для глубокого обучения YOLO v3, обученных на наборе данных COCO.
Создайте пользовательский детектор объектов YOLO v3 с помощью любой предварительно обученной или необученной нейронной сети для глубокого обучения YOLO v3.
detector = yolov3ObjectDetector(name,classes,aboxes)
detector = yolov3ObjectDetector(net,classes,aboxes)net.
Если net является предварительно обученной нейронной сетью для глубокого обучения YOLO v3, функция создает детектор объектов YOLO v3 и конфигурирует его для выполнения передачи обучения с заданными классами объектов и якорем.
Если net является необученной нейронной сетью для глубокого обучения YOLO v3, функция создает детектор объектов YOLO v3 и конфигурирует его для обнаружения объектов. classes и aboxes задайте классы объектов и якорные рамки, соответственно, для настройки сети YOLO v3.
Перед выполнением обнаружения объектов необходимо обучить детектор на обучающем наборе данных.
detector = yolov3ObjectDetector(baseNet,classes,aboxes,'DetectionNetworkSource',layer)baseNet.
Функция добавляет головки обнаружения к заданным слоям редукции данных layer в базовой сети. Чтобы задать имена слоев редукции данных, используйте аргумент имя-значение 'DetectionNetworkSource', layer.
Если baseNet является предварительно обученной нейронной сетью для глубокого обучения, функция создает детектор объектов YOLO v3 и конфигурирует его для выполнения передачи обучения с заданными классами объектов и якорем.
Если baseNet является необученной нейронной сетью для глубокого обучения, функция создает детектор объектов YOLO v3 и конфигурирует его для обнаружения объектов. classes и aboxes задайте классы объектов и якорные рамки, соответственно, для настройки сети YOLO v3.
Перед выполнением обнаружения объектов необходимо обучить детектор на обучающем наборе данных.
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™.
detect | Обнаружение объектов с помощью детектора объектов YOLO v3 |
preprocess | Предварительная обработка обучающих и тестовых изображений |
forward | Вычислите выход нейронной сети для глубокого обучения YOLO v3 для обучения |
predict | Вычислите выход нейронной сети для глубокого обучения YOLO v3 для вывода |
Укажите имя предварительно обученной нейронной сети для глубокого обучения YOLO v3.
name = 'tiny-yolov3-coco';Создайте детектор объектов YOLO v3 с помощью предварительно обученной сети YOLO v3.
detector = yolov3ObjectDetector(name);
Отображение и просмотр свойств детектора объектов YOLO v3.
disp(detector)
yolov3ObjectDetector with properties:
Network: [1×1 dlnetwork]
AnchorBoxes: {2×1 cell}
ClassNames: [1×80 categorical]
InputSize: [416 416]
Learnables: [48×3 table]
State: [22×3 table]
ModelName: 'tiny-yolov3-coco'
Использование analyzeNetwork отображение сетевой архитектуры YOLO v3 и получение информации о слоях сети. Сеть имеет две головки обнаружения, присоединенные к сети редукции данных.
analyzeNetwork(detector.Network)
Обнаружение объектов в неизвестном изображении с помощью предварительно обученного детектора объектов YOLO v3.
img = imread('sherlock.jpg'); img = preprocess(detector,img); [bboxes,scores,labels] = detect(detector,img,'DetectionPreprocessing','none');
Отображение результатов обнаружения.
detectedImg = insertObjectAnnotation(img,'Rectangle',bboxes,labels);
figure
imshow(detectedImg)
В этом примере показано, как создать пользовательский детектор объектов YOLO v3 с помощью предварительно обученного SqueezeNet в качестве базовой сети.
Загрузите предварительно обученную сеть SqueezeNet. Сеть SqueezeNet является сверточной нейронной сетью, которую можно использовать в качестве базовой сети для создания детектора объектов YOLO v3.
net = squeezenet
net =
DAGNetwork with properties:
Layers: [68×1 nnet.cnn.layer.Layer]
Connections: [75×2 table]
InputNames: {'data'}
OutputNames: {'ClassificationLayer_predictions'}
Смотрите архитектуру базовой сети при помощи analyzeNetwork (Deep Learning Toolbox) функция.
analyzeNetwork(net)
Укажите якорные рамки и классы, используемые для обучения сети YOLO v3.
aboxes = {[150,127;97,90;68,67];[38,42;41,29;31,23]};
classes = {'Car','Truck'};Выберите два слоя редукции данных в базовой сети, чтобы служить источником для подсети обнаружения.
layer = {'fire9-concat','fire8-concat'};Создайте пользовательский детектор объектов YOLO v3 путем добавления головок обнаружения к слоям редукции данных базовой сети. Задайте имя модели, классы и якорные рамки.
detector = yolov3ObjectDetector(net,classes,aboxes,'ModelName','Custom YOLO v3','DetectionNetworkSource',layer);
Смотрите архитектуру нейронной сети для глубокого обучения YOLO v3 при помощи analyzeNetwork (Deep Learning Toolbox) функция.
analyzeNetwork(detector.Network)
Проверьте свойства детектора объектов YOLO v3. Теперь можно обучить детектор объектов YOLO v3 на пользовательском обучающем наборе данных и выполнить обнаружение объектов.
disp(detector)
yolov3ObjectDetector with properties:
Network: [1×1 dlnetwork]
AnchorBoxes: {2×1 cell}
ClassNames: [Car Truck]
InputSize: [227 227]
Learnables: [66×3 table]
State: [6×3 table]
ModelName: 'Custom YOLO v3'
Для получения информации о том, как обучить детектор объектов YOLO v3, смотрите пример обнаружения объектов с использованием глубокого обучения YOLO v3.