先决条件

有关编译器和库的支持版本的更多信息，请参见万博1manbetx第三方软硬件．

此示例支持Linux®、Wind万博1manbetxows®和macOS平台，不支持MATLAB Online。

接受预培训DAGNetwork对象

DAG网络包含150层，包括卷积层、ReLU层和批处理归一化层以及YOLO v2转换层和YOLO v2输出层。

net = getYOLOv2();

下载预训练的检测器(98 MB)…

使用命令网层才能看到网络的各个层面。

网层

代码生成yolov2_detection函数

的yolov2_detection示例附带的函数接受图像输入，并使用保存的网络在图像上运行检测器yolov2ResNet50VehicleExample.mat．该函数从加载网络对象yolov2ResNet50VehicleExample.mat变成一个持久变量yolov2Obj．对该函数的后续调用重用持久对象进行检测。

类型(“yolov2_detection.m”）

function outImg = yolov2_detection(in) %版权所有2018-2019 The MathWorks, Inc. %持久对象yolov2Obj用于加载YOLOv2ObjectDetector对象。在第一次调用此函数时，将构造持久对象并设置。对该函数的后续调用重用相同的对象来对输入调用检测%，从而避免必须重新构造和重新加载% network对象。持久yolov2Obj;if isempty(yolov2Obj) yolov2Obj = code . loaddeeplearningnetwork ('yolov2ResNet50VehicleExample.mat');end % pass in input [bboxes，~，labels] = yolov2Obj.detect(in，'Threshold'，0.5);outImg = in;%转换类别标签到单元格数组的字符向量标签= cellstr(标签);if ~(isempty(bboxes) && isempty(labels)) %注释图像中的检测。outImg = insertObjectAnnotation(在，'矩形'，盒子，标签); end

要生成代码，请为MEX目标创建一个代码配置对象，并将目标语言设置为c++。使用编码器。DeepLearningConfig函数，创建mml - dnn深度学习配置对象。将此对象分配给DeepLearningConfig代码配置对象的属性。属性的参数指定输入大小codegen命令。在此例中，YOLO v2网络的输入层大小为(224224 3)．

CFG = code .config(墨西哥人的）;cfg。TargetLang =“c++”；cfg。DeepLearningConfig =编码器。DeepLearningConfig (“mkldnn”）;codegen配置cfgyolov2_detectionarg游戏{(224224 3 uint8)}报告

代码生成成功:要查看报告，打开('codegen/mex/yolov2_detection/html/report.mldatx')。

在样例输入中运行生成的MEX函数

设置一个视频文件读取器并读取示例输入视频highway_lanechange.mp4．创建一个视频播放器来显示视频和输出检测。

videoFile =“highway_lanechange.mp4”；videoFreader =视觉。VideoFileReader (videoFile“VideoOutputDataType”，“uint8”）;depVideoPlayer =视觉。DeployableVideoPlayer (“大小”，“自定义”，“CustomSize”480年[640]);

逐帧读取视频输入，使用检测器检测视频中的车辆。

cont = ~isDone(videoFreader);而cont I = step(video ofreader);in = imresize(I，[224,224]);Out = yolov2_detection_mex(in);depVideoPlayer(出);cont = ~isDone(videoFreader) && isOpen(depVideoPlayer);%如果视频播放器图形窗口关闭，则退出循环结束

参考文献

雷蒙，约瑟夫和阿里·法哈蒂。“YOLO9000:更好、更快、更强。”在2017 IEEE计算机视觉与模式识别大会, 6517 - 25所示。檀香山，HI: IEEE, 2017。