Deep Learning Object Detector

Обнаружьте объекты с помощью обученного детектора объектов глубокого обучения

расширьте все на странице
  • Библиотека:

  • Computer Vision Toolbox / Analysis & Enhancement

  • Deep Learning Object Detector block

Описание

Блок Deep Learning Object Detector предсказывает ограничительные рамки, метки класса и музыку к входному изображению при помощи обученного детектора объектов, заданного через параметры блоков. Этот блок позволяет загружать предварительно обученного детектора объектов в Simulink® модель из файла MAT или из MATLAB® функция. Этот блок обеспечивает графический интерфейс для использования объектов детектора в Simulink. Чтобы включить некоторые параметры блока Deep Learning Object Detector, необходимо выбрать детектор объектов, который поддерживает те параметры. Например, использование yolov2ObjectDetector объект с этим блоком позволяет вам выбрать параметры, похожие на аргументы name-value связанного detect объектная функция.

Порты

Входной параметр

развернуть все

H-by-W-by-C числовой массив, где H, W и C являются высотой, шириной и количеством каналов изображения, соответственно. Только одно изображение на временной шаг позволено, как введено.

Вывод

развернуть все

Местоположения объектов обнаруживаются во входном изображении, возвращенном как M-by-4 матрица. M является количеством ограничительных рамок, обнаруженных в изображении. Можно поместить верхнюю границу в размер M путем определения параметра Maximum Number of Detections. Каждая строка Bboxes имеет форму [x y width height], задавая верхний левый угол и размер соответствующей ограничительной рамки в пикселях.

Метки для ограничительных рамок, возвращенных как M-by-1 перечисленный вектор. M является количеством ограничительных рамок, обнаруженных в изображении.

Оценки достоверности обнаружения для каждой метки, возвращенной как M-by-1 вектор. M является количеством ограничительных рамок, обнаруженных в изображении. Более высокий счет указывает на более высокое доверие к обнаружению.

Параметры

развернуть все

Выберите источник для объекта детектора из этих опций:

  • Detector from MAT file — Импортируйте объект детектора из файла MAT. Например, выберите файл MAT, содержащий rcnnObjectDetector объект.

  • Detector from MATLAB function — Импортируйте объект детектора из функции MATLAB. Например, задайте функцию vehicleDetectorYOLOv2, который возвращает обученный yolov2ObjectDetector объект.

Импортированный детектор должен быть одним из этих поддерживаемых объектов:

  • rcnnObjectDetector

  • fastRCNNObjectDetector

  • fasterRCNNObjectDetector

  • ssdObjectDetector

  • yolov2ObjectDetector

Программируемое использование

Параметры блоков: Detector
Ввод: вектор символов, строка
Значения: Detector from MAT file' | 'Detector from MATLAB function'
Значение по умолчанию: Detector from MAT file'

Этот параметр задает имя файла MAT, который содержит объект детектора загрузить. Если файл не находится на пути MATLAB, используйте кнопку Browse, чтобы определить местоположение файла.

Зависимости

Чтобы включить этот параметр, установите параметр Detector на Detector from MAT file.

Программируемое использование

Параметры блоков: DetectorFilePath
Ввод: вектор символов, строка
Значения: путь к файлу MAT или имя
Значение по умолчанию: 'untitled.mat'

Этот параметр задает имя функции MATLAB, которая возвращает обученный детектор объектов. Например, задайте функцию vehicleDetectorYOLOv2, который возвращает обученный yolov2ObjectDetector объект, или задают пользовательскую функцию.

Зависимости

Чтобы включить этот параметр, установите параметр Detector на Detector from MATLAB function.

Программируемое использование

Параметры блоков: DetectorFunction
Ввод: вектор символов, строка
Значения: имя функции MATLAB
Значение по умолчанию: 'untitled'

Задайте поисковую необходимую область как вектор из формы [x y высота ширины]. Вектор задает верхний левый угол и размер области в пикселях.

Зависимости

Чтобы включить этот параметр, выберите параметр Specify region of interest.

Программируемое использование

Параметры блоков: ROI
Ввод: вектор символов, строка
Значения: вектор символов, заданный как '[x y width height]'
Значение по умолчанию: '[1 1 100 100]'

Задайте порог обнаружения как скаляр в области значений [0, 1]. Удалены обнаружения, которые имеют баллы ниже, чем это пороговое значение. Чтобы уменьшать ложные положительные стороны, увеличьте это значение.

Зависимости

Чтобы включить этот параметр, необходимо использовать детектор, который поддерживает параметр Detection threshold. Например, используйте yolov2ObjectDetector объект.

Программируемое использование

Параметры блоков: Threshold
Ввод: вектор символов, строка
Значения: скаляр
Значение по умолчанию: '0.5'

Задайте максимальное число предложений сильнейших областей как целое число. Уменьшайте это значение, чтобы ускорить обработку за счет точности обнаружения. Чтобы использовать все предложения по области, задайте этот параметр как Inf.

Зависимости

Чтобы включить этот параметр, используйте детектор, который поддерживает параметр Number of Strongest Regions. Например, используйте rcnnObjectDetector объект.

Программируемое использование

Параметры блоков: NumStrongestRegions
Ввод: вектор символов, строка
Значения: целое число
Значение по умолчанию: '2000'

Задайте максимальный размер области как вектор из формы [height width]. Модули находятся в пикселях. Максимальный размер области задает размер самой большой области, содержащей объект. Например, [5050 ] устанавливает размер самой большой области, содержащей объект к 50- 50 'pixels'. Чтобы уменьшать время вычисления, установите это значение к известному максимальному размеру области для объектов, которые могут быть обнаружены во входных тестовых изображениях.

Зависимости

Включить этот параметр

  • Выберите параметр Specify maximum region size.

  • Используйте детектор, который поддерживает параметр Maximum Region Size. Например, используйте yolov2ObjectDetector объект.

Программируемое использование

Параметры блоков: MaxSize
Ввод: вектор символов, строка
Значения: вектор символов, заданный как '[height width]'
Значение по умолчанию: '[50 50]'

Задайте минимальный размер области как вектор из формы [height width]. Модули находятся в пикселях. Минимальный размер области задает размер самой маленькой области, содержащей объект. Например, [11 ] устанавливает размер самой маленькой области, содержащей объект к 1- 1 'pixels'.

Зависимости

Включить этот параметр

  • Выберите параметр Specify minimum region size.

  • Используйте детектор, который поддерживает параметр Minimum Region Size. Например, используйте yolov2ObjectDetector объект.

Программируемое использование

Параметры блоков: MinSize
Ввод: вектор символов, строка
Значения: вектор символов, заданный как '[height width]'
Значение по умолчанию: '[1 1]'

Задайте максимальное количество обнаружений как положительное целое число. Это значение является верхней границей для количества обнаружений.

Программируемое использование

Параметры блоков: MaxDetections
Ввод: вектор символов, строка
Значения: целое число
Значение по умолчанию: '500'

Примеры модели

Lane and Vehicle Detection in Simulink Using Deep Learning

Маршрут и обнаружение транспортного средства в Simulink Используя глубокое обучение

Используйте глубокие сверточные нейронные сети в модели Simulink®, чтобы выполнить обнаружение транспортного средства и маршрут. Этот пример берет системы координат из видео трафика как вход, выходные параметры два контура маршрута, которые соответствуют левым и правым маршрутам автомобиля, оборудованного датчиком, и обнаруживает транспортные средства в системе координат.

Расширенные возможности

Смотрите также

Объекты

Блоки

Введенный в R2021b

Документация Computer Vision Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте