您可以使用各种技术来执行对象检测。流行的基于深度学习的方法使用卷积神经网络(cnn),如R-CNN和YOLO v2,自动学习检测图像中的物体。
你可以从两个关键的方法中选择开始使用深度学习的对象检测:
无论您是创建自定义对象检测器还是使用预训练的对象检测器,都需要决定要使用哪种类型的对象检测网络:两级网络还是单级网络。
两级网络的初始阶段,如R-CNN及其变体,识别地区的建议,或可能包含对象的图像子集。第二阶段对区域内的对象进行分类。两级网络可以获得非常精确的目标检测结果;然而,它们通常比单级网络慢。
机器学习技术也常用于目标检测,它们提供了不同于深度学习的方法。常见的机器学习技术包括:
与基于深度学习的方法类似,您可以选择从一个预先训练的对象检测器开始,或创建一个定制的对象检测器来适合您的应用程序。与基于深度学习的工作流中的自动特征选择相比,使用机器学习时需要手动选择对象的识别特征。
确定对象检测的最佳方法取决于您的应用程序和您试图解决的问题。在选择机器学习和深度学习时,要记住的主要考虑因素是你是否有强大的GPU和大量标记好的训练图像。如果这两个问题的答案都是否定的,那么机器学习方法可能是更好的选择。当你有更多的图像时,深度学习技术往往工作得更好,gpu减少了训练模型所需的时间。
只有几行MATLAB®代码中,您可以构建用于对象检测的机器学习和深度学习模型,而无需成为专家。
MATLAB提供交互式应用程序来准备训练数据和定制卷积神经网络。为目标探测器标记测试图像是一件单调乏味的事情,需要花费大量的时间才能获得足够的训练数据来创建性能良好的目标探测器。这个图像标签应用程序允许您以交互方式标记图像集合中的对象,并提供内置算法来自动标记地面实况数据。对于自动驾驶应用程序,您可以使用地面真理贴标机应用程序,对于视频处理工作流,您可以使用视频标签应用程序.
定制一个现有的CNN或者从头创建一个CNN很容易出现架构问题,这可能会浪费宝贵的培训时间。的深度网络设计师app使您能够以交互方式构建、编辑和可视化深度学习网络,同时还提供了一个分析工具,用于在培训网络之前检查体系结构问题。
使用MATLAB,您可以通过TensorFlow等框架与网络和网络体系结构进行互操作™-使用ONNX的Keras、PyTorch和Caffe2™ (开放式神经网络交换)导入和导出功能。
使用MATLAB创建算法后,可以利用自动化工作流生成TensorRT或CUDA®代码与GPU编码器™执行硬件在环测试。生成的代码可以与现有的项目集成,并且可以用于验证桌面GPU或嵌入式GPU(例如英伟达)上的对象检测算法。®Jetson或NVIDIA驱动平台。