主要内容

万博1manbetx支持的网络、层和类

万博1manbetx支持的预训练网络

GPU Coder™支万博1manbetx持序列和有向无环图(DAG)卷积神经网络(cnn或ConvNets)的代码生成。您可以为任何经过训练的卷积神经网络生成代码，其层支持代码生成。万博1manbetx看到万博1manbetx支持层．您可以使用深度学习工具箱™在CPU、GPU或多个GPU上训练卷积神经网络，也可以使用表中列出的预训练网络之一并生成CUDA®代码。

网络名称 描述 cuDNN TensorRT 手臂®马里GPU计算库

AlexNet

AlexNet卷积神经网络。有关预训练的AlexNet模型，请参见alexnet(深度学习工具箱)．

的语法alexnet(“重量”、“没有”)不支持代码生成万博1manbetx。

是的

是的

是的

咖啡网络

来自Caffe的卷积神经网络模型。有关从Caffe导入预训练的网络，请参见importCaffeNetwork(深度学习工具箱)．

是的

是的

是的

Darknet-19

Darknet-19卷积神经网络。有关更多信息，请参见darknet19(深度学习工具箱)．

的语法darknet19(“重量”、“没有”)不支持代码生成万博1manbetx。

是的

是的

是的

Darknet-53

Darknet-53卷积神经网络。有关更多信息，请参见darknet53(深度学习工具箱)．

的语法darknet53(“重量”、“没有”)不支持代码生成万博1manbetx。

是的

是的

是的

DeepLab v3 +

DeepLab v3+卷积神经网络。有关更多信息，请参见deeplabv3plusLayers(计算机视觉工具箱)．

是的

是的

没有

densenet - 201

DenseNet-201卷积神经网络。预训练的DenseNet-201模型请参见densenet201(深度学习工具箱)．

的语法densenet201(“重量”、“没有”)不支持代码生成万博1manbetx。

是的

是的

是的

EfficientNet-b0

卷积神经网络。有关预训练的EfficientNet-b0模型，请参见efficientnetb0(深度学习工具箱)．

的语法efficientnetb0(“重量”、“没有”)不支持代码生成万博1manbetx。

 是的 是的 是的

GoogLeNet

GoogLeNet卷积神经网络。有关预训练的GoogLeNet模型，请参见googlenet(深度学习工具箱)．

的语法googlenet(“重量”、“没有”)不支持代码生成万博1manbetx。

是的

是的

是的

Inception-ResNet-v2

Inception-ResNet-v2卷积神经网络。有关预训练的Inception-ResNet-v2模型，请参见inceptionresnetv2(深度学习工具箱)．

是的

是的

没有

Inception-v3

Inception-v3卷积神经网络。有关预训练的Inception-v3模型，请参见inceptionv3(深度学习工具箱)．

的语法inceptionv3(“重量”、“没有”)不支持代码生成万博1manbetx。

是的

是的

是的

Mobilenet-v2

MobileNet-v2卷积神经网络。有关预训练的MobileNet-v2模型，请参见mobilenetv2(深度学习工具箱)．

的语法mobilenetv2(“重量”、“没有”)不支持代码生成万博1manbetx。

是的

是的

是的

NASNet-Large

NASNet-Large卷积神经网络。有关预训练的NASNet-Large模型，请参见nasnetlarge(深度学习工具箱)．

是的

是的

没有

NASNet-Mobile

NASNet-Mobile卷积神经网络。有关预训练的NASNet-Mobile模型，请参见nasnetmobile(深度学习工具箱)．

是的

是的

没有

ResNet

ResNet-18, ResNet-50和ResNet-101卷积神经网络。有关预训练的ResNet模型，请参见resnet50(深度学习工具箱)，resnet18(深度学习工具箱),resnet101(深度学习工具箱)．

的语法resnetXX(“重量”、“没有”)不支持代码生成万博1manbetx。

是的

是的

是的

SegNet

多类像素分割网络。有关更多信息，请参见segnetLayers(计算机视觉工具箱)．

是的

是的

没有

SqueezeNet

小型深度神经网络。有关预训练的SqueezeNet模型，请参见squeezenet(深度学习工具箱)．

的语法squeezenet(“重量”、“没有”)不支持代码生成万博1manbetx。

是的

是的

是的

VGG-16

VGG-16卷积神经网络。预训练的vg -16模型请参见vgg16(深度学习工具箱)．

的语法vgg16(“重量”、“没有”)不支持代码生成万博1manbetx。

是的

是的

是的

VGG-19

VGG-19卷积神经网络。预训练的VGG-19模型请参见vgg19(深度学习工具箱)．

的语法vgg19(“重量”、“没有”)不支持代码生成万博1manbetx。

是的

是的

是的

Xception

卷积神经网络除外。有关预训练的xcexception模型，请参见xception(深度学习工具箱)．

的语法xception(“重量”、“没有”)不支持代码生成万博1manbetx。

是的

是的

是的

YOLO v2意思

你只看一次版本2基于卷积神经网络的目标检测器。有关更多信息，请参见yolov2Layers(计算机视觉工具箱)

是的

是的

是的

万博1manbetx支持层

GPU Coder为表中指定的目标深度学习库支持以万博1manbetx下层的代码生成。

输入层

层的名字 描述 cuDNN TensorRT 用于Mali GPU的ARM计算库

imageInputLayer(深度学习工具箱)

图像输入层将2-D图像输入到网络并应用数据规范化。

不支持代码生成万博1manbetx“归一化”使用函数句柄指定。

是的

是的

是的

sequenceInputLayer(深度学习工具箱)

序列输入层向网络输入序列数据。

cuDNN库支持向量和二维图像序列。万博1manbetxTensorRT库只支持向量输入序列。万博1manbetx

对于矢量序列输入，在代码生成过程中特征的数量必须是一个常数。

对于图像序列输入，在代码生成过程中，高度、宽度和通道数必须为常数。

不支持代码生成万博1manbetx“归一化”使用函数句柄指定。

是的

是的

没有

featureInputLayer(深度学习工具箱)

特征输入层将特征数据输入网络并进行数据规范化。

是的

是的

是的

卷积和全连通层

层的名字 描述 cuDNN TensorRT 用于Mali GPU的ARM计算库

convolution2dLayer(深度学习工具箱)

二维卷积层对输入应用滑动卷积滤波器。

是的

是的

是的

fullyConnectedLayer(深度学习工具箱)

全连接层将输入乘以权重矩阵，然后添加偏置向量。

是的

是的

没有

groupedConvolution2dLayer(深度学习工具箱)

二维分组卷积层将输入通道分成组，并应用滑动卷积滤波器。使用分组卷积层进行通道可分离(也称为深度可分离)卷积。

的2-D分组卷积层不支持ARM Mali GPU的代码生成万博1manbetxNumGroups属性设置为“channel-wise”或者大于2的值。

是的

是的

是的

transposedConv2dLayer(深度学习工具箱)

转置二维卷积层上采样特征图。

是的

是的

是的

序列层

层的名字 描述 cuDNN TensorRT 用于Mali GPU的ARM计算库

bilstmLayer(深度学习工具箱)

双向LSTM (BiLSTM)层学习时间序列或序列数据的时间步长之间的双向长期依赖关系。当您希望网络在每个时间步骤中都能从完整的时间序列中学习时，这些依赖关系非常有用。

对于代码生成，使用StateActivationFunction属性必须设置为的双曲正切．

对于代码生成，使用GateActivationFunction属性必须设置为“乙状结肠”．

是的

是的

没有

flattenLayer(深度学习工具箱)

平坦层将输入的空间维度折叠为通道维度。

是的

没有

没有

gruLayer(深度学习工具箱)

GRU层学习时间序列和序列数据中时间步长之间的依赖关系。

代码生成仅支持万博1manbetx“after-multiplication”而且“recurrent-bias-after-multiplication”重置门模式。

是的

是的

没有

lstmLayer(深度学习工具箱)

LSTM层学习时间序列和序列数据中时间步长之间的长期依赖关系。

对于代码生成，使用StateActivationFunction属性必须设置为的双曲正切．

对于代码生成，使用GateActivationFunction属性必须设置为“乙状结肠”．

是的

是的

没有

sequenceFoldingLayer(深度学习工具箱)

序列折叠层将一批图像序列转换为一批图像。使用序列折叠层对图像序列的时间步长进行独立的卷积运算。

是的

没有

没有

sequenceInputLayer(深度学习工具箱)

序列输入层向网络输入序列数据。

cuDNN库支持向量和二维图像序列。万博1manbetxTensorRT库只支持向量输入序列。万博1manbetx

对于矢量序列输入，在代码生成过程中特征的数量必须是一个常数。

对于图像序列输入，在代码生成过程中，高度、宽度和通道数必须为常数。

不支持代码生成万博1manbetx“归一化”使用函数句柄指定。

是的

是的

没有

sequenceUnfoldingLayer(深度学习工具箱)

序列展开层在序列折叠后恢复输入数据的序列结构。

是的

没有

没有

wordEmbeddingLayer(文本分析工具箱)

单词嵌入层将单词索引映射到向量。

是的

是的

没有

激活层

层的名字 描述 cuDNN TensorRT 用于Mali GPU的ARM计算库

clippedReluLayer(深度学习工具箱)

剪切的ReLU层执行阈值操作，其中任何小于零的输入值都被设置为零，任何高于零的输入值都被设置为零剪裁天花板被设定在那个裁剪的天花板上。

是的

是的

是的

eluLayer(深度学习工具箱)

ELU激活层对正输入执行恒等运算，对负输入执行指数非线性。

是的

是的

没有

leakyReluLayer(深度学习工具箱)

泄漏的ReLU层执行阈值操作，其中任何小于零的输入值都乘以一个固定的标量。

是的

是的

是的

reluLayer(深度学习工具箱)

ReLU层对输入的每个元素执行阈值操作，其中任何小于零的值都被设置为零。

是的

是的

是的

softplusLayer(强化学习工具箱)

一个SoftplusLayer实现softplus激活的是深层神经网络层吗Y= log(1 + e)X），确保输出总是正的。

是的

是的

没有

swishLayer(深度学习工具箱)

swish激活层对层输入应用swish函数。

是的

是的

没有

tanhLayer(深度学习工具箱)

双曲正切(tanh)激活层对层输入应用tanh函数。

是的

是的

是的

归一化、删除和裁剪图层

层的名字 描述 cuDNN TensorRT 用于Mali GPU的ARM计算库

batchNormalizationLayer(深度学习工具箱)

批处理归一化层将跨小批处理的每个输入通道归一化。

是的

是的

是的

crop2dLayer(深度学习工具箱)

2-D作物层对输入应用2-D作物。

是的

是的

是的

crossChannelNormalizationLayer(深度学习工具箱)

信道局部响应(跨信道)归一层执行信道归一化。

是的

是的

是的

dropoutLayer(深度学习工具箱)

dropout层以给定的概率随机地将输入元素设置为零。

是的

是的

是的

groupNormalizationLayer(深度学习工具箱)

分组归一层对每个观测数据在分组的通道子集上单独归一小批数据。

是的

是的

没有

scalingLayer(强化学习工具箱)

演员或评论家网络的缩放层。

的值用于代码生成“规模”而且“偏见”属性必须具有相同的维度。

是的

是的

是的

池化和解池化层

层的名字 描述 cuDNN TensorRT 用于Mali GPU的ARM计算库

averagePooling2dLayer(深度学习工具箱)

平均池化层通过将输入划分为矩形池化区域并计算每个区域的平均值来进行下采样。

是的

是的

是的

globalAveragePooling2dLayer(深度学习工具箱)

全局平均池化层通过计算输入的高和宽维度的平均值来执行下采样。

是的

是的

是的

globalMaxPooling2dLayer(深度学习工具箱)

全局最大池化层通过计算输入的高度和宽度维度的最大值来执行向下采样。

是的

是的

是的

maxPooling2dLayer(深度学习工具箱)

最大池化层通过将输入划分为矩形池化区域，并计算每个区域的最大值来进行下采样。

如果在内核窗口的非对角线上存在相同的最大值，则maxPooling2dLayer可能会导致MATLAB之间的数值不匹配®以及生成的代码。此问题还会导致每个池化区域中最大值的索引不匹配。有关更多信息，请参见maxPooling2dLayer(深度学习工具箱)．

是的

是的

是的

maxUnpooling2dLayer(深度学习工具箱)

最大池化层解除最大池化层的输出。

如果在内核窗口的非对角线上存在相同的最大值，则maxPooling2dLayer可能会导致MATLAB和生成的代码之间的数值不匹配。此问题还会导致每个池化区域中最大值的索引不匹配。有关更多信息，请参见maxUnpooling2dLayer(深度学习工具箱)．

是的

是的

没有

结合层

层的名字 描述 cuDNN TensorRT 用于Mali GPU的ARM计算库

additionLayer(深度学习工具箱)

添加层按元素添加来自多个神经网络层的输入。

是的

是的

是的

concatenationLayer(深度学习工具箱)

连接层接受输入并按照指定的维度连接它们。

是的

是的

没有

depthConcatenationLayer(深度学习工具箱)

深度连接层接受具有相同高度和宽度的输入，并沿着第三维(通道维)将它们连接起来。

是的

是的

是的

对象检测层

层的名字 描述 cuDNN TensorRT 用于Mali GPU的ARM计算库

anchorBoxLayer(计算机视觉工具箱)

锚盒层存储用于对象检测网络的特征映射的锚盒。

是的

是的

是的

depthToSpace2dLayer(图像处理工具箱)

 2-D深度到空间层将深度维度的数据排列成2-D空间数据块。

是的

是的

是的

focalLossLayer(计算机视觉工具箱)

 焦点损失层使用焦点损失预测对象类别。

是的

是的

是的

spaceToDepthLayer(图像处理工具箱)

 空间到深度层将输入的空间块排列到深度维度中。当您需要在不丢弃任何特征数据的情况下组合不同大小的特征映射时使用此层。

是的

是的

是的

ssdMergeLayer(计算机视觉工具箱)

SSD合并层合并特征映射的输出，用于后续的回归和分类损失计算。

是的

是的

没有

rcnnBoxRegressionLayer(计算机视觉工具箱)

 盒回归层通过使用平滑L1损失函数来细化边界盒位置。使用此层创建一个Fast或Faster R-CNN对象检测网络。

是的

是的

是的

rpnClassificationLayer(计算机视觉工具箱)

 区域建议网络(RPN)分类层对图像区域进行分类对象或背景通过使用交叉熵损失函数。使用此层创建一个Faster R-CNN对象检测网络。

是的

是的

是的

YOLOv2OutputLayer(计算机视觉工具箱)

为YOLO v2对象检测网络创建输出层。

是的

是的

是的

YOLOv2ReorgLayer(计算机视觉工具箱)

为YOLO v2对象检测网络创建重组层。

是的

是的

是的

YOLOv2TransformLayer(计算机视觉工具箱)

为YOLO v2对象检测网络创建转换层。

是的

是的

是的

输出层

层的名字 描述 cuDNN TensorRT 用于Mali GPU的ARM计算库

classificationLayer(深度学习工具箱)

分类层计算具有互斥类的多类分类问题的交叉熵损失。

是的

是的

是的

dicePixelClassificationLayer(计算机视觉工具箱)

Dice像素分类层使用广义Dice损失为每个图像像素或体素提供分类标签。

是的

是的

是的

focalLossLayer(计算机视觉工具箱)

 焦点损失层使用焦点损失预测对象类别。

是的

是的

是的

输出层(深度学习工具箱)

所有输出层，包括自定义分类或回归输出层nnet.layer.ClassificationLayer或nnet.layer.RegressionLayer．

有关显示如何定义自定义分类输出层和指定损失函数的示例，请参见定义自定义分类输出层(深度学习工具箱)．

有关显示如何定义自定义回归输出层和指定损失函数的示例，请参见定义自定义回归输出层(深度学习工具箱)．

是的

是的

是的

pixelClassificationLayer(计算机视觉工具箱)

像素分类层为每个图像像素或体素提供分类标签。

是的

是的

是的

rcnnBoxRegressionLayer(计算机视觉工具箱)

 盒回归层通过使用平滑L1损失函数来细化边界盒位置。使用此层创建一个Fast或Faster R-CNN对象检测网络。

是的

是的

是的

regressionLayer(深度学习工具箱)

回归层计算回归问题的半均方误差损失。

是的

是的

是的

rpnClassificationLayer(计算机视觉工具箱)

 区域建议网络(RPN)分类层对图像区域进行分类对象或背景通过使用交叉熵损失函数。使用此层创建一个Faster R-CNN对象检测网络。

是的

是的

是的

sigmoidLayer(深度学习工具箱)

sigmoid层对输入应用sigmoid函数。

是的

是的

是的

softmaxLayer(深度学习工具箱)

softmax层对输入应用一个softmax函数。

是的

是的

是的

自定义Keras图层

层的名字 描述 cuDNN TensorRT 用于Mali GPU的ARM计算库

nnet.keras.layer.ClipLayer(深度学习工具箱)

在上界和下界之间剪辑输入。

是的

是的

没有

nnet.keras.layer.FlattenCStyleLayer(深度学习工具箱)

将激活平展为1-D，假设c风格(行大调)顺序。

是的

是的

是的

nnet.keras.layer.GlobalAveragePooling2dLayer(深度学习工具箱)

空间数据的全局平均池化层。

是的

是的

是的

nnet.keras.layer.PreluLayer(深度学习工具箱)

参数整流线性单元。

是的

是的

没有

nnet.keras.layer.SigmoidLayer(深度学习工具箱)

Sigmoid激活层。

是的

是的

是的

nnet.keras.layer.TanhLayer(深度学习工具箱)

双曲正切激活层。

是的

是的

是的

nnet.keras.layer.TimeDistributedFlattenCStyleLayer(深度学习工具箱)

将输入图像序列平展为向量序列，假设输入层的存储顺序为c风格(或行为主)。

是的

是的

没有

nnet.keras.layer.ZeroPadding2dLayer(深度学习工具箱)

零填充层为2-D输入。

是的

是的

是的

自定义ONNX层

层的名字 描述 cuDNN TensorRT 用于Mali GPU的ARM计算库

nnet.onnx.layer.ClipLayer(深度学习工具箱)

在上界和下界之间剪辑输入。

是的

是的

没有

nnet.onnx.layer.ElementwiseAffineLayer(深度学习工具箱)

层，该层执行按元素缩放输入，然后执行加法。

是的

是的

是的

nnet.onnx.layer.FlattenInto2dLayer(深度学习工具箱)

以ONNX的方式平展MATLAB 2D图像批处理，生成一个2D输出数组CB格式。

是的

是的

没有

nnet.onnx.layer.FlattenLayer(深度学习工具箱)

将输入张量的空间维度扁平化到通道维度。

是的

是的

是的

nnet.onnx.layer.GlobalAveragePooling2dLayer(深度学习工具箱)

空间数据的全局平均池化层。

是的

是的

是的

nnet.onnx.layer.IdentityLayer(深度学习工具箱)

实现ONNX标识运算符的层。

是的

是的

是的

nnet.onnx.layer.PreluLayer(深度学习工具箱)

参数整流线性单元。

是的

是的

没有

nnet.onnx.layer.SigmoidLayer(深度学习工具箱)

Sigmoid激活层。

是的

是的

是的

nnet.onnx.layer.TanhLayer(深度学习工具箱)

双曲正切激活层。

是的

是的

是的

nnet.onnx.layer.VerifyBatchSizeLayer(深度学习工具箱)

验证固定批量大小。

是的

是的

是的

自定义图层

层的名字 描述 cuDNN TensorRT 用于Mali GPU的ARM计算库

自定义图层

自定义层，包含或不包含您为问题定义的可学习参数。

要了解如何定义自定义深度学习层，请参见定义自定义深度学习层(深度学习工具箱)而且定义用于代码生成的自定义深度学习层(深度学习工具箱)．

有关如何为具有自定义层的网络生成代码的示例，请参见使用YOLO v3深度学习进行目标检测的代码生成．

自定义层的输出必须是固定大小的数组。

使用“统一”随着MallocMode在coder.gpuConfig需要额外的内存副本，导致性能变慢。对于自定义层，建议使用“离散”模式。有关GPU内存分配的更多信息，请参见离散和管理模式

cuDNN目标支持自定义层的万博1manbetx行主代码和列主代码生成。TensorRT目标只支持列主代码万博1manbetx生成。

对于代码生成，自定义层必须包含% # codegen编译指示。

不支持包含自定义层和LSTM或GRU层的序列网络的代码生成。万博1manbetx

你可以通过dlarray自定义层，如果:

  • 自定义层已经加入dlnetwork．

  • 自定义层位于DAG或系列网络中，可以继承自nnet.layer.Formattable或者没有反向传播。

对于不支持的万博1manbetxdlarray方法，然后必须从dlarray，进行计算，并将数据重建回dlarray用于代码生成。例如,

函数Z = predict(图层，X)如果coder.target (MATLAB的) Z = doppredict (X);其他的如果isdarray (X) X1 = extractdata(X);Z1 = doppredict (X1);Z = dlarray(Z1);其他的Z = doppredict (X);结束结束结束

是的

是的

没有

万博1manbetx支持类

GPU Coder支持以下类为表中指定的目标深度学习万博1manbetx库生成代码。

的名字 描述 cuDNN TensorRT 用于Mali GPU的ARM计算库
DAGNetwork(深度学习工具箱)

有向无环图(DAG)网络用于深度学习

  • 只有激活，预测,分类方法。万博1manbetx

是的

是的

是的
dlnetwork(深度学习工具箱)

用于定制训练循环的深度学习网络

  • 代码生成仅支持万博1manbetxInputNames而且OutputNames属性。

  • 的初始化的属性dlnetwork对象必须设置为true。

  • 您可以为dlnetwork有矢量和图像序列输入。代码生成支持包括:万博1manbetx

    • dlarray包含向量序列“CT”或“认知行为治疗”数据格式。

    • dlarray包含的图像序列“SSCT”或“SSCBT”数据格式。

    • 多输入dlnetwork使用异构输入层。对于RNN网络，不支持多输入。万博1manbetx

  • 代码生成仅支持万博1manbetx预测对象的功能。的dlarray输入预测方法必须为单数据类型。

  • 代码生成支持万博1manbetxdlnetwork用于cuDNN和TensorRT目标。不支持代码生成万博1manbetxdlnetwork为ARM马里目标。

  • 当目标TensorRT与INT8精度，网络的最后一层(s)必须是asoftmaxLayer层。

  • 代码生成支持MIMO万博1manbetxdlnetworks．

  • 要创建dlnetwork对象进行代码生成，请参见为代码生成加载预训练的网络．

是的

是的

没有

pointPillarsObjectDetector(激光雷达工具箱)

PointPillars网络用于检测激光雷达点云中的物体

  • 只有检测(激光雷达工具箱)方法pointPillarsObjectDetector支持代万博1manbetx码生成。

  • 只有阈值，SelectStrongest,MiniBatchSize的名称-值对检测方法。万博1manbetx

是的

是的

没有
SeriesNetwork(深度学习工具箱)

深度学习系列网络

  • 只有激活，分类，预测，predictAndUpdateState，classifyAndUpdateState,resetState支持对象函数。万博1manbetx

是的

是的

是的
ssdObjectDetector(计算机视觉工具箱)

该任务指导软件调测工程师使用ssd硬盘检测对象。

  • 只有检测(计算机视觉工具箱)方法ssdObjectDetector支持代万博1manbetx码生成。

  • 的roi的参数检测方法必须是编码原常量(coder.const ())和一个1x4向量。

  • 只有阈值，SelectStrongest，MinSize，最大尺寸,MiniBatchSize支持名称-值对。万博1manbetx所有的名称-值对必须是编译时常量。

  • 输入图像的通道和批量大小必须是固定大小。

  • 的标签输出作为分类数组返回。

  • 在生成的代码中，输入被重新缩放到网络输入层的大小。但是这个包围框检测方法返回的值是参考原始输入的大小。

  • 边界框可能在数值上与模拟结果不匹配。

是的

是的

没有
yolov2ObjectDetector(计算机视觉工具箱)

使用YOLO v2对象检测器检测对象

  • 只有检测(计算机视觉工具箱)方法yolov2ObjectDetector支持代万博1manbetx码生成。

  • 的roi的参数检测方法必须是编码原常量(coder.const ())和一个1x4向量。

  • 只有阈值，SelectStrongest，MinSize，最大尺寸,MiniBatchSize支持名称-值对。万博1manbetx

  • 输入图像的高度、宽度、通道和批量大小必须是固定大小。

  • 通过检测方法的最小批大小值必须是固定大小。

是的

是的

是的

yolov3ObjectDetector(计算机视觉工具箱)

使用YOLO v3对象检测器检测对象

  • 只有检测(计算机视觉工具箱)方法yolov3ObjectDetector支持代万博1manbetx码生成。

  • 的roi的参数检测方法必须是编码原常量(coder.const ())和一个1x4向量。

  • 只有阈值，SelectStrongest，MinSize，最大尺寸,MiniBatchSize支持名称-值对。万博1manbetx

  • 输入图像的高度、宽度、通道和批量大小必须是固定大小。

  • 通过检测方法的最小批大小值必须是固定大小。

是的

是的

没有

yolov4ObjectDetector(计算机视觉工具箱)

使用YOLO v4对象检测器检测对象

  • 只有检测(计算机视觉工具箱)方法yolov3ObjectDetector支持代万博1manbetx码生成。

  • 的roi的参数检测方法必须是代码生成常量(coder.const ())和一个1x4向量。

  • 只有阈值，SelectStrongest，MinSize，最大尺寸,MiniBatchSize名称-值对检测都受支持万博1manbetx。

是的

是的

没有

另请参阅

功能

对象

相关的话题