Предварительно обработайте обучение и протестируйте изображения
outputData = preprocess(detector,trainingData)trainingData перед использованием его, чтобы обучить детектор объектов YOLO v3. Учебные изображения и соответствующие ограничительные рамки хранятся в trainingData. preprocess функция выполняет эти операции:
Перемасштабирует значения интенсивности учебных изображений к области значений [0, 1].
Изменяет размер учебных изображений к одному из самых близких сетевых входных размеров и обновляет значения координаты ограничительной рамки для точного обучения. Функция сохраняет исходное соотношение сторон обучающих данных.
outputImg = preprocess(detector,img)img для обнаружения объектов с помощью детектора объектов YOLO v3. preprocess функция выполняет эти операции:
Перемасштабирует значения интенсивности тестовых изображений к области значений [0, 1].
Изменяет размер тестовых изображений к одному из самых близких сетевых входных размеров и сохраняет исходное соотношение сторон каждого тестового изображения.
[___, возвращается информация о масштабном коэффициенте запросила изменение размеров изображений, в дополнение к любой комбинации аргументов от предыдущих синтаксисов.scaleInfo] = preprocess(___)
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');Загрузите обучающий набор данных в рабочую область. Обучающие данные являются массивом ячеек, который содержит изображения, значения ограничительной рамки и метки класса.
load('trainingData.mat','trainingData');
Измените размер учебных изображений к самому близкому сетевому входному размеру и перемасштабируйте значения интенсивности при помощи preprocess функция.
outputData = preprocess(detector,trainingData);
Отобразите выходное изображение и информацию о шкале, используемую для изменения размеров изображения.
outputImg = outputData{1,1};
figure
imshow(outputImg)
Отобразите вход и предварительно обработанные значения.
bboxIn = cell2table(trainingData,'VariableNames',{'Images','Bounding Boxes','Labels'})
bboxIn=3×3 table
Images Bounding Boxes Labels
_________________ ________________________ ___________
{224×399×3 uint8} 220 136 35 28 {'vehicle'}
{224×399×3 uint8} 175 126 61 45 {'vehicle'}
{224×399×3 uint8} 108 120 45 33 {'vehicle'}
bboxOut = cell2table(outputData,'VariableNames',{'Images','Bounding Boxes','Labels'})
bboxOut=3×3 table
Images Bounding Boxes Labels
__________________ ________________________ ___________
{416×416×3 single} 229 232 36 29 {'vehicle'}
{416×416×3 single} 182 222 64 46 {'vehicle'}
{416×416×3 single} 112 215 47 35 {'vehicle'}
Загрузите предварительно обученный детектор объектов YOLO v3.
detector = yolov3ObjectDetector('tiny-yolov3-coco');Считайте тестовое изображение.
I = imread('highway.png');Измените размер тестового изображения к сетевому входному размеру и перемасштабируйте значения интенсивности при помощи preprocess функция.
[outputImg,scaleInfo] = preprocess(detector,I);
Отобразите выходное изображение и информацию о шкале, используемую для изменения размеров изображения.
figure imshow(outputImg)
disp(scaleInfo)
PreprocessedImageSize: [416 416]
ScaleX: 0.7692
ScaleY: 0.5769