predict

Вычислите нейронную сеть для глубокого обучения выходные параметры YOLO v3 для вывода

    Описание

    пример

    output = predict(detector,dlX) вычисляет нейронную сеть для глубокого обучения выходные параметры YOLO v3 во время вывода, учитывая детектор и тестовые данные. Используйте эту функцию, чтобы получить предсказания от выходных слоев нейронной сети для глубокого обучения YOLO v3 во время вывода.

    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. Для получения дополнительной информации об установке дополнений, смотрите, Получают и Управляют Дополнениями. Чтобы запустить эту функцию, вы потребуете Deep Learning Toolbox™.

    Примеры

    свернуть все

    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 отформатированный объект dlarray.

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

    Вычислите предсказания для тестового изображения. predict функция возвращает предсказания для карт функции от выходных слоев нейронной сети для глубокого обучения YOLO v3. Первый столбец содержит оценки достоверности. Столбцы 2 - 5 содержат местоположения ограничительной рамки, вычисленные относительно координат ячейки сетки. Шестой столбец содержит вероятности класса для каждого класса, используемого во время обучения. Седьмое и восьмой столбец содержат предшествующую ширину и предшествующую высоту ограничительных рамок, как вычислено 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}
    
    

    Можно затем получить итоговые обнаружения при помощи предсказаний для функций с максимальными баллами объектности. Счет объектности является продуктом вероятности класса и оценки достоверности. Чтобы вычислить точное местоположение ограничительной рамки, необходимо сопоставить предсказанные значения ограничительной рамки, чтобы упаковать координаты. В качестве альтернативы можно использовать detect функционируйте, чтобы непосредственно получить результаты обнаружения. detect функционируйте внутренне вызывает predict функция, чтобы вычислить карты функции.

    Входные параметры

    свернуть все

    Детектор объектов YOLO v3 в виде yolov3ObjectDetector объект.

    Тестовые данные в виде отформатированного dlarray Объект (Deep Learning Toolbox). Тестовые данные могут содержать одно или несколько тестовых изображений.

    Выходные аргументы

    свернуть все

    Выведите предсказания, возвращенные как N-by-8 массив ячеек отформатированного dlarray (Deep Learning Toolbox) объекты. N является количеством выходных слоев в нейронной сети для глубокого обучения YOLO v3. Каждая строка в массиве ячеек имеет форму [conf bx by bw bh prob tw th]. Функция возвращает предсказания как отформатированный dlarray (Deep Learning Toolbox) значение..

    ПредсказанияОписание
    confОценки достоверности для каждой ограничительной рамки.
    bxX- центра предсказанной ограничительной рамки относительно местоположения ячейки сетки.
    byY- центра предсказанной ограничительной рамки относительно местоположения ячейки сетки.
    bwШирина предсказанной ограничительной рамки относительно местоположения ячейки сетки.
    bhВысота предсказанных ограничительных рамок относительно местоположения ячейки сетки.
    probВероятности класса, предсказанные для каждой функции в выходе, показывают карту.
    twПредшествующая ширина ограничительных рамок, как вычислено сетью.
    thПредшествующая высота ограничительных рамок, как вычислено сетью.

    Введенный в R2021a
    Для просмотра документации необходимо авторизоваться на сайте