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.