Загрузите предварительно обученный детектор объектов YOLO v3.

detector = yolov3ObjectDetector('tiny-yolov3-coco');

Загрузите тестовое изображение для предсказания.

I = imread('highway.png');

Предварительно обработайте тестовое изображение и преобразуйте предварительно обработанное изображение в форматированный объект dlarray.

[Ip,info] = preprocess(detector,I);
dlX = dlarray(Ip,'SSCB');

Вычислите предсказания для тестового изображения. The predict функция возвращает предсказания для карт признаков из выходных слоев нейронной сети для глубокого обучения YOLO v3. Первый столбец содержит оценки достоверности. Столбцы с 2 по 5 содержат положения ограничивающего прямоугольника, вычисленные относительно координат камеры сетки. Шестой столбец содержит вероятности классов для каждого класса, используемого во время обучения. Седьмой и восьмой столбцы содержат предшествующие ширину и предшествующую высоту ограничивающих коробок, вычисленные сетью, соответственно.

output = predict(detector,dlX)

output=2×8 cell array
    {13×13×3×1 dlarray}    {13×13×3×1 dlarray}    {13×13×3×1 dlarray}    {13×13×3×1 dlarray}    {13×13×3×1 dlarray}    {13×13×240×1 dlarray}    {13×13×3×1 dlarray}    {13×13×3×1 dlarray}
    {26×26×3×1 dlarray}    {26×26×3×1 dlarray}    {26×26×3×1 dlarray}    {26×26×3×1 dlarray}    {26×26×3×1 dlarray}    {26×26×240×1 dlarray}    {26×26×3×1 dlarray}    {26×26×3×1 dlarray}

Затем можно получить окончательные обнаружения при помощи предсказаний для функций с максимальными счетами объективности. Счет объективности является продуктом оценки достоверности и вероятности класса. Чтобы вычислить точное расположение ограничивающего прямоугольника, необходимо сопоставить предсказанные значения ограничивающего прямоугольника с координатами прямоугольника. Также можно использовать detect функция, чтобы непосредственно получить результаты обнаружения. The detect функция внутренне вызывает predict функция для вычисления карт объектов.