Документация

Предсказание объектов в изображении

YOLO v2 использует поля привязки, чтобы обнаружить классы объектов в изображении. Для получения дополнительной информации смотрите, что Поля Привязки для Объектного Detection.The YOLO v2 предсказывают эти три атрибута для каждого поля привязки:

Рисунок показывает предопределенные поля привязки (пунктирные линии) в каждом местоположении в карте функции и усовершенствованном местоположении после того, как смещения будут применены. Совпадающие поля с классом в цвете.

Передача обучения

С передачей обучения можно использовать предварительно обученный CNN в качестве экстрактора функции в сети обнаружения YOLO v2. Используйте yolov2Layers функция, чтобы создать сеть обнаружения YOLO v2 из любого предварительно обученного CNN, например, MobileNet v2. Для списка предварительно обученного CNNs смотрите Предварительно обученные Глубокие нейронные сети (Deep Learning Toolbox)

Можно также спроектировать пользовательское основанное на модели на предварительно обученном CNN классификации изображений. Для получения дополнительной информации см. Проект Сеть обнаружения YOLO v2.

Спроектируйте Сеть обнаружения YOLO v2

Можно спроектировать пользовательский слой модели YOLO v2 слоем. Модель запускается с сети экстрактора функции, которая может быть инициализирована от предварительно обученного CNN или обучена с нуля. Подсеть обнаружения содержит серию Conv, Batch norm, и ReLu слои, сопровождаемые преобразованием и выходными слоями, yolov2TransformLayer и yolov2OutputLayer объекты, соответственно. yolov2TransformLayer преобразовывает необработанный CNN выход в форму, требуемую произвести обнаружения объектов. yolov2OutputLayer задает параметры поля привязки и реализует функцию потерь, используемую, чтобы обучить детектор.

Можно также использовать приложение Deep Network Designer (Deep Learning Toolbox), чтобы вручную создать сеть. Разработчик включает функции Computer Vision Toolbox™ YOLO v2.

Обучите Детектор объектов и Обнаружьте Объекты с Моделью YOLO v2

Чтобы изучить, как обучить детектор объектов при помощи метода глубокого обучения YOLO с CNN, смотрите, что Обнаружение объектов Использует пример YOLO v2 Глубокого обучения.

Генерация кода

Изучить, как сгенерировать CUDA^® код с помощью детектора объектов YOLO v2 (созданное использование yolov2ObjectDetector объект), смотрите Генерацию кода для Обнаружения объектов при помощи YOLO v2.

Маркируйте Training Data for Deep Learning

Можно использовать Image Labeler, Video Labeler или приложения Ground Truth Labeler (Automated Driving Toolbox), чтобы интерактивно помечать пиксели и экспортировать данные о метке для обучения. Приложения могут также использоваться, чтобы пометить прямоугольные видимые области (ROIs) для обнаружения объектов, метки сцены для классификации изображений и пиксели для семантической сегментации. Создать обучающие данные из любой из этикетировочных машин экспортировало объект основной истины, можно использовать objectDetectorTrainingData или pixelLabelTrainingData функции. Для получения дополнительной информации смотрите Обучающие данные для Обнаружения объектов и Семантической Сегментации.