Создайте сеть обнаружения объектов YOLO v2

В этом примере показано, как изменить предварительно обученную сеть MobileNet v2 для создания сети обнаружения объектов YOLO v2.

Процедура преобразования предварительно обученной сети в сеть YOLO v2 аналогична процедуре передачи обучения для классификации изображений:

  1. Загрузите предварительно обученную сеть.

  2. Выберите слой из предварительно обученной сети для редукции данных.

  3. Удалите все слои после слоя редукции данных.

  4. Добавьте новые слои для поддержки задачи обнаружения объектов.

Загрузка предварительно обученной сети

Загрузка предварительно обученной сети MobileNet v2 с помощью mobilenetv2. Для этого требуется модель поддержки Deep Learning Toolbox Model для Network™ MobileNet v2. Если этот пакет поддержки не установлен, то функция предоставляет ссылку на загрузку. После загрузки сети преобразуйте сеть в layerGraph объект, чтобы можно было управлять слоями.

net = mobilenetv2();
lgraph = layerGraph(net);

Обновление размера входа сети

Обновите размер входа сети, чтобы соответствовать требованиям к обучающим данным. Для примера предположим, что обучающие данные являются изображениями 300 на 300 RGB. Установите размер входа.

imageInputSize = [300 300 3];

Затем создайте новый входной слой для изображений с таким же именем, как и исходный слой.

imgLayer = imageInputLayer(imageInputSize,"Name","input_1")
imgLayer = 
  ImageInputLayer with properties:

                      Name: 'input_1'
                 InputSize: [300 300 3]

   Hyperparameters
          DataAugmentation: 'none'
             Normalization: 'zerocenter'
    NormalizationDimension: 'auto'
                      Mean: []

Замените старый входной слой изображения новым входным слоем изображения.

lgraph = replaceLayer(lgraph,"input_1",imgLayer);

Выберите слой редукции данных

Слой редукции данных YOLO v2 наиболее эффективен, когда ширина и высота выхода функции в 8-16 раз меньше, чем вход изображение. Такое количество понижающей дискретизации является компромиссом между пространственным разрешением и качеством выходных признаков. Можно использовать analyzeNetwork функцию или приложение Deep Network Designer, чтобы определить выходные размеры слоев в сети. Обратите внимание, что выбор оптимального слоя редукции данных требует эмпирической оценки.

Установите слой редукции данных равным "block_12_add". Размер выхода этого слоя примерно в 16 раза меньше, чем размер входа изображения 300 на 300.

featureExtractionLayer = "block_12_add";

Удаление слоев после Редукции данных слоя

Затем удалите слои после редукции данных. Это можно сделать, импортировав сеть в приложение Deep Network Designer, вручную удалив слои и экспортировав измененную сеть в рабочую область.

В данном примере загружает измененную сеть, которая была добавлена в этот пример как вспомогательный файл.

modified = load("mobilenetv2Block12Add.mat");
lgraph = modified.mobilenetv2Block12Add;

Создайте подсеть обнаружения YOLO v2

Подсеть обнаружения состоит из групп последовательно связанных слоев свертки, ReLU и нормализации партии .. Эти слои следуют за yolov2TransformLayer и a yolov2OutputLayer.

Сначала создайте две группы последовательно связанных слоев свертки, ReLU и нормализации партии .. Установите размер фильтра слоя свертки 3 на 3 и количество фильтров, чтобы соответствовать количеству каналов в выходном слое редукции данных. Задайте "same" заполнение в слое свертки для сохранения входа.

filterSize = [3 3];
numFilters = 96;

detectionLayers = [
    convolution2dLayer(filterSize,numFilters,"Name","yolov2Conv1","Padding", "same", "WeightsInitializer",@(sz)randn(sz)*0.01)
    batchNormalizationLayer("Name","yolov2Batch1")
    reluLayer("Name","yolov2Relu1")
    convolution2dLayer(filterSize,numFilters,"Name","yolov2Conv2","Padding", "same", "WeightsInitializer",@(sz)randn(sz)*0.01)
    batchNormalizationLayer("Name","yolov2Batch2")
    reluLayer("Name","yolov2Relu2")
    ]
detectionLayers = 
  6x1 Layer array with layers:

     1   'yolov2Conv1'    Convolution           96 3x3 convolutions with stride [1  1] and padding 'same'
     2   'yolov2Batch1'   Batch Normalization   Batch normalization
     3   'yolov2Relu1'    ReLU                  ReLU
     4   'yolov2Conv2'    Convolution           96 3x3 convolutions with stride [1  1] and padding 'same'
     5   'yolov2Batch2'   Batch Normalization   Batch normalization
     6   'yolov2Relu2'    ReLU                  ReLU

Затем создайте конечный фрагмент подсети обнаружения, которая имеет слой свертки, за которым следует yolov2TransformLayer и a yolov2OutputLayer. Выходные выходы слоя свертки предсказывают следующее для каждого якорного ящика:

  1. Вероятности класса объекта.

  2. Смещение местоположения X и Y.

  3. Смещение ширины и высоты.

Укажите якорные рамки и количество классов и вычислите количество фильтров для слоя свертки.

numClasses = 5;

anchorBoxes = [
    16 16
    32 16
    ];

numAnchors = size(anchorBoxes,1);
numPredictionsPerAnchor = 5;
numFiltersInLastConvLayer = numAnchors*(numClasses+numPredictionsPerAnchor);

Добавьте convolution2dLayer, yolov2TransformLayer, и yolov2OutputLayer в подсеть обнаружения.

detectionLayers = [
    detectionLayers
    convolution2dLayer(1,numFiltersInLastConvLayer,"Name","yolov2ClassConv",...
    "WeightsInitializer", @(sz)randn(sz)*0.01)
    yolov2TransformLayer(numAnchors,"Name","yolov2Transform")
    yolov2OutputLayer(anchorBoxes,"Name","yolov2OutputLayer")
    ]
detectionLayers = 
  9x1 Layer array with layers:

     1   'yolov2Conv1'         Convolution                96 3x3 convolutions with stride [1  1] and padding 'same'
     2   'yolov2Batch1'        Batch Normalization        Batch normalization
     3   'yolov2Relu1'         ReLU                       ReLU
     4   'yolov2Conv2'         Convolution                96 3x3 convolutions with stride [1  1] and padding 'same'
     5   'yolov2Batch2'        Batch Normalization        Batch normalization
     6   'yolov2Relu2'         ReLU                       ReLU
     7   'yolov2ClassConv'     Convolution                20 1x1 convolutions with stride [1  1] and padding [0  0  0  0]
     8   'yolov2Transform'     YOLO v2 Transform Layer.   YOLO v2 Transform Layer with 2 anchors.
     9   'yolov2OutputLayer'   YOLO v2 Output             YOLO v2 Output with 2 anchors.

Полная сеть обнаружения YOLO v2

Присоедините подсеть обнаружения к сети редукции данных.

lgraph = addLayers(lgraph,detectionLayers);
lgraph = connectLayers(lgraph,featureExtractionLayer,"yolov2Conv1");

Использование analyzeNetwork(lgraph) чтобы проверить сеть, а затем обучить детектор объектов YOLO v2 с помощью trainYOLOv2ObjectDetector функция.

Для просмотра документации необходимо авторизоваться на сайте