preprocess
Предварительная обработка обучающих и тестовых изображений
Синтаксис
Описание
outputData = preprocess(detector,trainingData)trainingData перед использованием для обучения детектора объектов YOLO v3. Обучающие изображения и соответствующие ограничительные рамки хранятся в trainingData. The preprocess функция выполняет следующие операции:
Изменение значения интенсивности обучающих изображений в области значений [0, 1].
Изменение размера обучающих изображений на один из ближайших входов сигнала сети и обновление значений координат ограничивающего прямоугольника для точного обучения. Функция сохраняет исходное соотношение сторон обучающих данных.
outputImg = preprocess(detector,img)img для обнаружения объектов с помощью детектора объектов YOLO v3. The preprocess функция выполняет следующие операции:
Изменение значения интенсивности тестовых изображений на область значений [0, 1].
Изменяет размер тестовых изображений на один из ближайших входов сигнала сети и сохраняет исходное соотношение сторон каждого тестового изображения.
[___, возвращает информацию о масштабном коэффициенте, применяемом для изменения размера изображения, в дополнение к любой комбинации аргументов из предыдущих синтаксисов.scaleInfo] = preprocess(___)
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™.
Примеры
Предварительная обработка обучающих данных, хранящихся в массиве ячеек
Загрузите предварительно обученный детектор объектов YOLO v3.
detector = yolov3ObjectDetector('tiny-yolov3-coco');Загрузите обучающий набор данных в рабочую область. Обучающие данные являются массивом ячеек, который содержит изображения, значения ограничивающих прямоугольников и метки классов.
load('trainingData.mat','trainingData');
Измените размер обучающих изображений до ближайшего размера входа сети и измените значения интенсивности при помощи preprocess функция.
outputData = preprocess(detector,trainingData);
Отображение выходного изображения и информации о шкала, используемой для изменения размера изображения.
outputImg = outputData{1,1};
figure
imshow(outputImg)
Отобразите вход и предварительно обработанные значения.
bboxIn = cell2table(trainingData,'VariableNames',{'Images','Bounding Boxes','Labels'})
bboxIn=3×3 table
Images Bounding Boxes Labels
_________________ ________________________ ___________
{224×399×3 uint8} 220 136 35 28 {'vehicle'}
{224×399×3 uint8} 175 126 61 45 {'vehicle'}
{224×399×3 uint8} 108 120 45 33 {'vehicle'}
bboxOut = cell2table(outputData,'VariableNames',{'Images','Bounding Boxes','Labels'})
bboxOut=3×3 table
Images Bounding Boxes Labels
__________________ ________________________ ___________
{416×416×3 single} 229 232 36 29 {'vehicle'}
{416×416×3 single} 182 222 64 46 {'vehicle'}
{416×416×3 single} 112 215 47 35 {'vehicle'}
Предварительная обработка тестового изображения
Загрузите предварительно обученный детектор объектов YOLO v3.
detector = yolov3ObjectDetector('tiny-yolov3-coco');Чтение тестового изображения.
I = imread('highway.png');Измените размер тестового изображения на размер входа сети и измените значения интенсивности при помощи preprocess функция.
[outputImg,scaleInfo] = preprocess(detector,I);
Отображение выходного изображения и информации о шкала, используемой для изменения размера изображения.
figure imshow(outputImg)
disp(scaleInfo)
PreprocessedImageSize: [416 416]
ScaleX: 0.7692
ScaleY: 0.5769