yolov2OutputLayer

Создайте выходной слой для сети обнаружения объектов YOLO v2

Описание

yolov2OutputLayer функция создает YOLOv2OutputLayer объект, который представляет выходной слой для вас только, смотрит однажды версия 2 (YOLO v2) сеть обнаружения объектов. Выходной слой обеспечивает усовершенствованные местоположения ограничительной рамки целевых объектов.

Создание

Синтаксис

layer = yolov2OutputLayer(anchorBoxes)

layer = yolov2OutputLayer(anchorBoxes,Name,Value)

Описание

пример

layer = yolov2OutputLayer(anchorBoxes) создает YOLOv2OutputLayer объект, layer, который представляет выходной слой для сети обнаружения объектов YOLO v2. Слой выводит усовершенствованные местоположения ограничительной рамки, которые предсказаны с помощью предопределенного набора полей привязки, заданных во входе.

пример

layer = yolov2OutputLayer(anchorBoxes,Name,Value) устанавливает дополнительные свойства с помощью пар "имя-значение" и входа от предыдущего синтаксиса. Заключите каждое имя свойства в одинарные кавычки. Например, yolov2OutputLayer('Name','yolo_Out') создает выходной слой с именем 'yolo_Out'.

Входные параметры

развернуть все

`anchorBoxes` — Набор полей привязки
M-by-2 матрица

Набор полей привязки в виде M-by-2 матрица, где каждая строка имеет форму [height width]. Матрица задает высоту и ширину количества M полей привязки. Этот вход устанавливает AnchorBoxes свойство выходного слоя. Можно использовать кластеризирующийся подход для оценки полей привязки от обучающих данных. Для получения дополнительной информации смотрите Оценочные Поля Привязки От Обучающих данных.

Свойства

развернуть все

`Name` — Имя слоя
`''` (значение по умолчанию) | вектор символов | строковый скаляр

Имя слоя в виде вектора символов или строкового скаляра. Для Layer вход массивов, trainNetwork, assembleNetwork, layerGraph, и dlnetwork функции автоматически присваивают имена к слоям с Name установите на ''.

Типы данных: char | string

`LossFunction` — Функция потерь
`'mean-squared-error'` (значение по умолчанию)

Это свойство доступно только для чтения.

Функция потерь, набор как 'mean-squared-error'. Для получения дополнительной информации о функции потерь, смотрите Функцию потерь для Улучшения Ограничительной рамки.

`AnchorBoxes` — Набор полей привязки
M-by-2 матрица

Это свойство доступно только для чтения.

Набор полей привязки, используемых для обучения в виде M-by-2 матрица, задающая ширину и высоту количества M полей привязки. Это свойство установлено входом anchorBoxes.

`LossFactors` — Веса в функции потерь
[5 1 1 1] (значение по умолчанию) | вектор 1 на 4

Это свойство доступно только для чтения.

Веса в функции потерь в виде вектора 1 на 4 из формы [_K1 _K2 _K3 _K4]. Веса увеличивают устойчивость сетевой модели путем наложения штрафа на неправильные предсказания ограничительной рамки и ложные классификации. Для получения дополнительной информации о весах в потере функция, смотрите Функцию потерь для Улучшения Ограничительной рамки.

`Classes` — Классы выходного слоя
'auto' (значение по умолчанию) | категориальный вектор | массив строк | массив ячеек из символьных векторов

Классы выходного слоя в виде категориального вектора, массива строк, массива ячеек из символьных векторов или 'auto'. Используйте эту пару "имя-значение", чтобы задать имена классов объектов во входных обучающих данных.

Если значение установлено к 'auto', затем программное обеспечение автоматически устанавливает классы в учебное время. Если вы задаете массив строк или массив ячеек из символьных векторов str, затем программное обеспечение устанавливает классы выходного слоя к categorical(str). Значением по умолчанию является 'auto'.

Типы данных: char | string | cell | categorical

`NumInputs` — Количество входных параметров
1 (значение по умолчанию)

Это свойство доступно только для чтения.

Количество входных параметров слоя. Этот слой принимает один вход только.

Типы данных: double

`InputNames` — Введите имена
`{'in'}` (значение по умолчанию)

Это свойство доступно только для чтения.

Введите имена слоя. Этот слой принимает один вход только.

Типы данных: cell

Примеры

свернуть все

Создайте YOLO v2 Выходной Слой

Этот пример использует:

Скрипт Open Live Script

Создайте YOLO v2 выходной слой с двумя полями привязки.

Задайте высоту и ширину полей привязки.

anchorBoxes = [16 16;32 32];

Задайте имена классов объектов в обучающих данных.

classNames = {'Vehicle','Person'};

Сгенерируйте YOLO v2 выходной слой с именем "yolo_Out".

layer = yolov2OutputLayer(anchorBoxes,'Name','yolo_Out','Classes',classNames);

Смотрите свойства YOLO v2 выходной слой.

layer

layer = 
  YOLOv2OutputLayer with properties:

            Name: 'yolo_Out'

   Hyperparameters
         Classes: [2x1 categorical]
    LossFunction: 'mean-squared-error'
     AnchorBoxes: [2x2 double]
     LossFactors: [5 1 1 1]

Можно считать значения для Classes свойство при помощи записи через точку layer.Classes. Функция хранит имена классов как категориальный массив.

layer.Classes

ans = 2x1 categorical
     Vehicle 
     Person

Больше о

развернуть все

Функция потерь для улучшения ограничительной рамки

Во время обучения выходной слой сети YOLO v2 предсказывает усовершенствованные местоположения ограничительной рамки путем оптимизации потери среднеквадратической ошибки между предсказанными ограничительными рамками и основной истиной. Функция потерь задана как

$\begin{array}{l} K_{1} \sum_{i = 0}^{S^{2}} \sum_{j = 0}^{B} 1_{i j}^{o b j} [{(x_{i} - {\hat{x}}_{i})}^{2} + {(y_{i} - {\hat{y}}_{i})}^{2}] \\ + K_{1} \sum_{i = 0}^{S^{2}} \sum_{j = 0}^{B} 1_{i j}^{o b j} [{(\sqrt{w_{i}} - \sqrt{{\hat{w}}_{i}})}^{2} + {(\sqrt{h_{i}} - \sqrt{{\hat{h}}_{i}})}^{2}] \\ + K_{2} \sum_{i = 0}^{S^{2}} \sum_{j = 0}^{B} 1_{i j}^{o b j} {(C_{i} - {\hat{C}}_{i})}^{2} \\ + K_{3} \sum_{i = 0}^{S^{2}} \sum_{j = 0}^{B} 1_{i j}^{n o o b j} {(C_{i} - {\hat{C}}_{i})}^{2} \\ + K_{4} \sum_{i = 0}^{S^{2}} 1_{i}^{o b j} \sum_{c \in c l a s s e s} {(p_{i} (c) - {\hat{p}}_{i} (c))}^{2} \end{array}$

где:

S является количеством ячеек сетки
B является количеством ограничительных рамок в каждой ячейке сетки.
$1_{i j}^{o b j}$ 1, если ограничительная рамка jth в ячейке сетки i ответственна за обнаружение объекта. В противном случае это установлено в 0. i ячейки сетки ответственен за обнаружение объекта, если перекрытие между основной истиной и ограничительной рамкой в той ячейке сетки больше или равно 0,6.
$1_{i j}^{n o o b j}$ 1, если ограничительная рамка jth в ячейке сетки i не содержит объекта. В противном случае это установлено в 0.
$1_{i}^{o b j}$ 1, если объект обнаруживается в ячейке сетки i. В противном случае это установлено в 0.
_K1, _K2, _K3 и _K4 являются весами. Чтобы настроить веса, измените LossFactors свойство.

Функция потерь может быть разделена в три части:

Потеря локализации
Первые и вторые термины в функции потерь включают потерю локализации. Это измеряет ошибку между предсказанной ограничительной рамкой и основной истиной. Параметры для вычисления потери локализации включают положение, размер предсказанной ограничительной рамки и основную истину. Параметры определяются следующим образом.
- $(x_{i}, y_{i})$ , центр ограничительной рамки jth относительно ячейки сетки i.
- $({\hat{x}}_{i}, {\hat{y}}_{i})$ , центр основной истины относительно ячейки сетки i.
- $w_{i} и h_{i}$ ширина и высота ограничительной рамки jth в ячейке сетки i, соответственно. Размер предсказанной ограничительной рамки задан относительно входного размера изображения.
- ${\hat{w}}_{i} и {\hat{h}}_{i}$ ширина и высота основной истины в ячейке сетки i, соответственно.
- _K1 является весом за потерю локализации. Увеличьте это значение, чтобы увеличить весомость для ошибок предсказания ограничительной рамки.
Потеря доверия
Третьи и четвертые термины в функции потерь включают потерю доверия. Третий термин измеряет objectness (оценка достоверности) ошибка, когда объект обнаруживается в ограничительной рамке jth ячейки сетки i. Четвертый термин измеряет ошибку объектности, когда никакой объект не обнаруживается в ограничительной рамке jth ячейки сетки i. Параметры для вычисления потери доверия определяются следующим образом.
- _Ci является оценкой достоверности ограничительной рамки jth в ячейке сетки i.
- _Ĉi является оценкой достоверности основной истины в ячейке сетки i.
- _K2 является весом для ошибки объектности, когда объект обнаруживается в предсказанной ограничительной рамке. Можно настроить значение _K2, чтобы взвесить оценки достоверности от ячеек сетки, которые содержат объекты.
- _K3 является весом для ошибки объектности, когда объект не обнаруживается в предсказанной ограничительной рамке. Можно настроить значение _K3, чтобы взвесить оценки достоверности от ячеек сетки, которые не содержат объекты.
Потеря доверия может вызвать обучение отличаться, когда количество ячеек сетки, которые не содержат объекты, является больше, чем количество ячеек сетки, которые содержат объекты. Чтобы исправить это, увеличьте значение для _K2 и уменьшите значение для _K3.
Потеря классификации
Пятый термин в функции потерь включает потерю классификации. Например, предположите, что объект обнаруживается в предсказанной ограничительной рамке, содержавшейся в ячейке сетки i. Затем потеря классификации измеряет квадратичную невязку между условными вероятностями класса для каждого класса в ячейке сетки i. Параметры для вычисления потери классификации определяются следующим образом.
- _pi (c) является предполагаемой условной вероятностью класса для класса объекта c в ячейке сетки i.
- ${\hat{p}}_{i} (c)$ фактическая условная вероятность класса для класса объекта c в ячейке сетки i.
- _K4 является весом для ошибки классификации, когда объект обнаруживается в ячейке сетки. Увеличьте это значение, чтобы увеличить весомость за потерю классификации.

Советы

Чтобы улучшить точность предсказания, вы можете:

Обучите сеть с большим количеством количества изображений. Можно расширить обучающий набор данных посредством увеличения данных. Для получения информации о том, как применить увеличение данных для обучающего набора данных, смотрите, Предварительно обрабатывают Изображения для Глубокого обучения (Deep Learning Toolbox).
Выполните многошкальное обучение при помощи trainYOLOv2ObjectDetector функция. Для этого задайте 'TrainingImageSize'аргумент trainYOLOv2ObjectDetector функция для того, чтобы обучить сеть.
Выберите поля привязки, соответствующие набору данных для того, чтобы обучить сеть. Можно использовать estimateAnchorBoxes функция, чтобы вычислить поля привязки непосредственно из обучающих данных.

Ссылки

[1] Джозеф. R, С. К. Диввэла, Р. Б. Джиршик и Ф. Али. "Вы Только Взгляд Однажды: Объединенное, Обнаружение объектов В реальном времени". В Продолжениях Конференции по IEEE по Компьютерному зрению и Распознаванию образов (CVPR), стр 779–788. Лас-Вегас, NV: CVPR, 2016.

[2] Джозеф. R и Ф. Али. "YOLO 9000: Лучше, Быстрее, Более сильный". В Продолжениях Конференции по IEEE по Компьютерному зрению и Распознаванию образов (CVPR), стр 6517–6525. Гонолулу, HI: CVPR, 2017.

Расширенные возможности

Генерация кода графического процессора
Сгенерируйте код CUDA® для NVIDIA® графические процессоры с помощью GPU Coder™.

Сгенерировать CUDA^® или Код С++ при помощи GPU Coder™, необходимо сначала создать и обучить глубокую нейронную сеть. Если сеть обучена и оценена, можно сконфигурировать генератор кода, чтобы сгенерировать код и развернуть сверточную нейронную сеть на платформах то использование NVIDIA^® или ARM^® Процессоры графического процессора. Для получения дополнительной информации смотрите Глубокое обучение для GPU Coder (GPU Coder).

Для этого слоя можно сгенерировать код, который использует в своих интересах библиотеку глубокой нейронной сети CUDA NVIDIA (cuDNN), высокопроизводительную библиотеку вывода NVIDIA TensorRT™ или ARM Compute Library для Мали графический процессор.

Темы

Введенный в R2019a

Документация

yolov2OutputLayer

Описание

Создание

Синтаксис

Описание

Входные параметры

`anchorBoxes` — Набор полей привязки
M-by-2 матрица

Свойства

`Name` — Имя слоя
`''` (значение по умолчанию) | вектор символов | строковый скаляр

`LossFunction` — Функция потерь
`'mean-squared-error'` (значение по умолчанию)

`AnchorBoxes` — Набор полей привязки
M-by-2 матрица

`LossFactors` — Веса в функции потерь
[5 1 1 1] (значение по умолчанию) | вектор 1 на 4

`Classes` — Классы выходного слоя
'auto' (значение по умолчанию) | категориальный вектор | массив строк | массив ячеек из символьных векторов

`NumInputs` — Количество входных параметров
1 (значение по умолчанию)

`InputNames` — Введите имена
`{'in'}` (значение по умолчанию)

Примеры

Создайте YOLO v2 Выходной Слой

Больше о

Функция потерь для улучшения ограничительной рамки

Советы

Ссылки

Расширенные возможности

Генерация кода графического процессора
Сгенерируйте код CUDA® для NVIDIA® графические процессоры с помощью GPU Coder™.

Смотрите также

Темы

Документация Computer Vision Toolbox

Поддержка

Документация

yolov2OutputLayer

Описание

Создание

Синтаксис

Описание

Входные параметры

anchorBoxes — Набор полей привязки M-by-2 матрица

Свойства

Name — Имя слоя '' (значение по умолчанию) | вектор символов | строковый скаляр

LossFunction — Функция потерь 'mean-squared-error' (значение по умолчанию)

AnchorBoxes — Набор полей привязки M-by-2 матрица

LossFactors — Веса в функции потерь[5 1 1 1] (значение по умолчанию) | вектор 1 на 4

Classes — Классы выходного слоя 'auto' (значение по умолчанию) | категориальный вектор | массив строк | массив ячеек из символьных векторов

NumInputs — Количество входных параметров1 (значение по умолчанию)

InputNames — Введите имена {'in'} (значение по умолчанию)

Примеры

Создайте YOLO v2 Выходной Слой

Больше о

Функция потерь для улучшения ограничительной рамки

Советы

Ссылки

Расширенные возможности

Генерация кода графического процессора Сгенерируйте код CUDA® для NVIDIA® графические процессоры с помощью GPU Coder™.

Смотрите также

Темы

Документация Computer Vision Toolbox

Поддержка

`anchorBoxes` — Набор полей привязки
M-by-2 матрица

`Name` — Имя слоя
`''` (значение по умолчанию) | вектор символов | строковый скаляр

`LossFunction` — Функция потерь
`'mean-squared-error'` (значение по умолчанию)

`AnchorBoxes` — Набор полей привязки
M-by-2 матрица

`LossFactors` — Веса в функции потерь
[5 1 1 1] (значение по умолчанию) | вектор 1 на 4

`Classes` — Классы выходного слоя
'auto' (значение по умолчанию) | категориальный вектор | массив строк | массив ячеек из символьных векторов

`NumInputs` — Количество входных параметров
1 (значение по умолчанию)

`InputNames` — Введите имена
`{'in'}` (значение по умолчанию)

Генерация кода графического процессора
Сгенерируйте код CUDA® для NVIDIA® графические процессоры с помощью GPU Coder™.