Обнаружьте объекты с помощью детектора объектов YOLO v3
bboxes = detect(detector,I)I, использование вас смотрит только однажды версия 3 (YOLO v3) детектор объектов, detector. Входной размер изображения должен быть больше или быть равен сетевому входному размеру предварительно обученного детектора. Местоположения обнаруженных объектов возвращены в виде набора ограничительных рамок.
detectionResults = detect(detector,ds)read функция входного datastore ds.
[___] = detect(___, обнаруживает объекты в прямоугольной поисковой области roi)roi, в дополнение к любой комбинации аргументов от предыдущих синтаксисов.
[___] = detect(___, задает опции с помощью одних или нескольких аргументов name-value.Name,Value)
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™.
Загрузите предварительно обученный детектор объектов YOLO v3.
detector = yolov3ObjectDetector('tiny-yolov3-coco');Читайте тест отображают и предварительно обрабатывают тестовое изображение при помощи preprocess функция.
img = imread('sherlock.jpg');
img = preprocess(detector,img);Обнаружьте объекты в тестовом изображении.
[bboxes,scores,labels] = detect(detector,img);
Отобразите результаты обнаружения.
results = table(bboxes,labels,scores)
results=1×3 table
bboxes labels scores
________________________ ______ _______
134 69 280 272 dog 0.56819
detectedImg = insertObjectAnnotation(img,'Rectangle',bboxes,labels);
figure
imshow(detectedImg)
Загрузите предварительно обученный детектор объектов YOLOv3.
detector = yolov3ObjectDetector('tiny-yolov3-coco');Считайте тестовые данные и хранилище как объект datastore изображений.
location = fullfile(matlabroot,'toolbox','vision','visiondata','vehicles'); imds = imageDatastore(location);
Обнаружьте объекты в тестовом наборе данных. Установите Threshold значение параметров к 0,3 и MiniBatchSize значение параметров к 32.
detectionResults = detect(detector,imds,'Threshold',0.3,'MiniBatchSize',32);
Считайте изображение из тестового набора данных и извлеките соответствующие результаты обнаружения.
num = 10;
I = readimage(imds,num);
bboxes = detectionResults.Boxes{num};
labels = detectionResults.Labels{num};
scores = detectionResults.Scores{num};Выполните немаксимальное подавление, чтобы выбрать самые сильные ограничительные рамки из перекрывающихся кластеров. Установите OverlapThreshold значение параметров к 0,2.
[bboxes,scores,labels] = selectStrongestBboxMulticlass(bboxes,scores,labels,'OverlapThreshold',0.2);Отобразите результаты обнаружения.
results = table(bboxes,labels,scores)
results=3×3 table
bboxes labels scores
________________________ ______ _______
14 71 52 27 car 0.93352
74 73 7 5 car 0.65369
102 73 15 10 car 0.85313
detectedImg = insertObjectAnnotation(I,'Rectangle',bboxes,labels);
figure
imshow(detectedImg)
Загрузите предварительно обученный детектор объектов YOLO v3.
detector = yolov3ObjectDetector('tiny-yolov3-coco');Считайте тестовое изображение.
img = imread('highway.png');Задайте видимую область (ROI) в тестовом изображении.
roiBox = [70 40 100 100];
Обнаружьте объекты в заданном ROI.
[bboxes,scores,labels] = detect(detector,img,roiBox);
Отобразите ROI и результаты обнаружения.
results = table(bboxes,labels,scores)
results=1×3 table
bboxes labels scores
_______________________ ______ _______
99 103 41 33 car 0.72206
img = insertObjectAnnotation(img,'Rectangle',roiBox,'ROI','Color',"blue"); detectedImg = insertObjectAnnotation(img,'Rectangle',bboxes,labels); figure imshow(detectedImg)
predict | forward | yolov3ObjectDetector | imageDatastore | CombinedDatastore | TransformedDatastore