Обнаружьте объекты с помощью обученного детектора объектов глубокого обучения
Computer Vision Toolbox / Analysis & Enhancement
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.
Image Данные изображенияH-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.
Bboxes — Местоположения объектов обнаруживаютсяМестоположения 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.
Labels — Метки для ограничительных рамокМетки для ограничительных рамок, возвращенных как M-by-1 перечисленный вектор. M является количеством ограничительных рамок, обнаруженных в изображении.
Scores — Баллы обнаруженияОценки 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.
Detector — Источник для обученного объекта детектораDetector from MAT file (значение по умолчанию) | Detector from MATLAB functionВыберите 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
Параметры блоков:
Detector |
| Ввод: вектор символов, строка |
Значения:
Detector from MAT file' | 'Detector from MATLAB function' |
Значение по умолчанию:
Detector from MAT file' |
File path — Файл MAT, содержащий объект детектора untitled.mat (значение по умолчанию) | имя файла MATЭтот параметр задает имя файла MAT, который содержит объект детектора загрузить. Если файл не находится на пути MATLAB, используйте кнопку Browse, чтобы определить местоположение файла.
Чтобы включить этот параметр, установите параметр Detector на Detector from MAT file.
Параметры блоков:
DetectorFilePath |
| Ввод: вектор символов, строка |
| Значения: путь к файлу MAT или имя |
Значение по умолчанию:
'untitled.mat'
|
MATLAB function — Имя функции MATLABuntitled (значение по умолчанию) | имя функции MATLABЭтот параметр задает имя функции MATLAB, которая возвращает обученный детектор объектов. Например, задайте функцию vehicleDetectorYOLOv2, который возвращает обученный yolov2ObjectDetector объект, или задают пользовательскую функцию.
Чтобы включить этот параметр, установите параметр Detector на Detector from MATLAB function.
Параметры блоков:
DetectorFunction |
| Ввод: вектор символов, строка |
| Значения: имя функции MATLAB |
Значение по умолчанию:
'untitled' |
Region of interest — Поисковая необходимая областьЗадайте поисковую необходимую область как вектор из формы [x y высота ширины]. Вектор задает верхний левый угол и размер области в пикселях.
Чтобы включить этот параметр, выберите параметр Specify region of interest.
Параметры блоков:
ROI |
| Ввод: вектор символов, строка |
Значения: вектор символов, заданный как '[x y width height]' |
Значение по умолчанию:
'[1 1 100 100]' |
Detection threshold — Порог обнаруженияЗадайте 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.
Чтобы включить этот параметр, необходимо использовать детектор, который поддерживает параметр Detection threshold. Например, используйте yolov2ObjectDetector объект.
Параметры блоков:
Threshold |
| Ввод: вектор символов, строка |
| Значения: скаляр |
Значение по умолчанию:
'0.5' |
Number of Strongest Regions — Максимальное число предложений сильнейших областейЗадайте 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.
Чтобы включить этот параметр, используйте детектор, который поддерживает параметр Number of Strongest Regions. Например, используйте rcnnObjectDetector объект.
Параметры блоков:
NumStrongestRegions |
| Ввод: вектор символов, строка |
| Значения: целое число |
Значение по умолчанию:
'2000' |
Maximum Region Size — Максимальный размер областиЗадайте 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.
Включить этот параметр
Выберите параметр Specify maximum region size.
Используйте детектор, который поддерживает параметр Maximum Region Size. Например, используйте yolov2ObjectDetector объект.
Параметры блоков:
MaxSize |
| Ввод: вектор символов, строка |
Значения: вектор символов, заданный как '[height width]' |
Значение по умолчанию:
'[50 50]' |
Minimum Region Size — Минимальный размер областиЗадайте 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'.
Включить этот параметр
Выберите параметр Specify minimum region size.
Используйте детектор, который поддерживает параметр Minimum Region Size. Например, используйте yolov2ObjectDetector объект.
Параметры блоков:
MinSize |
| Ввод: вектор символов, строка |
Значения: вектор символов, заданный как '[height width]' |
Значение по умолчанию:
'[1 1]' |
Maximum Number of Detections — Максимальное количество обнаруженийЗадайте максимальное количество обнаружений как положительное целое число. Это значение является верхней границей для количества обнаружений.
Параметры блоков:
MaxDetections |
| Ввод: вектор символов, строка |
| Значения: целое число |
Значение по умолчанию:
'500' |
Указания и ограничения по применению:
Параметр Language в Configuration Parameters> Code Generation общая категория должен быть установлен на C++.
Для списка сетей и слоев, поддержанных для генерации кода, смотрите Сети и Слои, Поддержанные для Генерации кода (MATLAB Coder).
Указания и ограничения по применению:
Параметр Language в Configuration Parameters> Code Generation общая категория должен быть установлен на C++.
Для списка сетей и слоев, поддержанных для CUDA® генерация кода, смотрите Поддерживаемые Сети, Слои и Классы (GPU Coder).
rcnnObjectDetector | fastRCNNObjectDetector | fasterRCNNObjectDetector | ssdObjectDetector | yolov2ObjectDetector1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.