objectDetectorTrainingData
创建对象检测器的训练数据
语法
描述
［根据指定的ground truth创建一个图像数据存储和一个框标签数据存储训练数据。洛桑国际管理发展学院,建筑物= objectDetectorTrainingData(gTruth）
可以使用。将映像和框标签数据存储结合起来结合（洛桑国际管理发展学院,建筑物)，以创建训练所需的数据储存。使用与训练函数相结合的数据存储，例如trainACFObjectDetector,trainYOLOv2ObjectDetector,trainFastRCNNObjectDetector,trainFasterRCNNObjectDetector,trainRCNNObjectDetector．
此函数支持使用多个MATLA万博1manbetxB进行并行计算®工人。方法启用并行计算计算机视觉工具箱参数设置对话框。
trainingDataTable= objectDetectorTrainingData (gTruth）gTruth的数组。groundTruth对象。您可以使用该表格使用计算机视觉工具箱™训练功能来训练对象检测器。
［___= objectDetectorTrainingData(使用一个或多个名称-值参数以及以前语法中的参数组合指定选项。例如,gTruth,名称=值）Verbose = True允许显示到工作空间环境。
如果您创建groundTruth对象gTruth使用视频文件、自定义数据源或imageDatastore对象，则可以指定名称-值参数的任何组合。如果您创建groundTruth对象的图像集合或图像序列数据源，则只能指定SamplingFactor和LabelData名称-值参数。
例子
训练一个YOLO v2车辆探测器
训练一个基于YOLO v2网络的车辆检测器。
将包含图像的文件夹添加到工作区。
imageDir = fullfile(matlabroot，“工具箱”,“愿景”,“visiondata”,“汽车”）;目录(imageDir);
加载车辆地面真相数据。
数据=负载(“vehicleTrainingGroundTruth.mat”）;gTruth = data.vehicleTrainingGroundTruth;
加载包含layerGraph对象的检测器进行训练。
车辆检测仪=负载(“yolov2VehicleDetector.mat”）;lgraph = vehicleDetector.lgraph
lgraph = LayerGraph with properties: Layers: [25×1 nnet.cnn.layer.Layer] Connections: [24×2 table] InputNames: {'input'} OutputNames: {'yolov2OutputLayer'}
使用ground truth对象创建图像数据存储和框标签数据存储。
[imds,bxds] = objectDetectorTrainingData(gTruth);
合并数据存储。
CDS = combine(imds,bxds);
配置培训选项。
选项= trainingOptions(“个”,.．.“InitialLearnRate”, 0.001,.．.“详细”,真的,.．.“MiniBatchSize”, 16岁,.．.“MaxEpochs”30岁的.．.“洗牌”,“every-epoch”,.．.“VerboseFrequency”10);
训练探测器。
[detector,info] = trainYOLOv2ObjectDetector(cds,lgraph,options);
************************************************************************* 培训YOLO v2意思对象探测器以下对象类:*车辆培训单CPU。|========================================================================================| | 时代| |迭代时间| Mini-batch | Mini-batch |基地学习 | | | | ( hh: mm: ss) | RMSE | |率损失 | |========================================================================================| | 1 | 1 |就是| 7.50 | 56.2 | 0.0010 | | 1 | 10 | 00:00:02 | 1.73 | 3.0 | 0.0010 | | 2 | 20 | 00:00:04 | 1.58 | 2.5 | 0.0010 | | 2 | 30 | 00:00:06 | 1.36 | 1.9 | 0.0010 | | 3 | 40 | 00:00:08 |50 1.13 | 1.3 | 0.0010 | | 3 | | 00:00:09 | 1.01 | 1.0 | 0.0010 | | 4 | 60 | 00:00:11 | 0.95 | 0.9 | 0.0010 | | 70 | | 00:00:13 | 0.84 | 0.7 | 0.0010 | | 80 | | 00:00:15 | 0.84 | 0.7 | 0.0010 | | 90 | | 00:00:17 | 0.70 | 0.5 | 0.0010 | | 6 | 100 | 00:00:19 | 0.65 | 0.4 | 0.0010 | | 110 | | 00:00:21 | 0.73 | 0.5 | 0.0010 | | 120 | | 00:00:23 | 0.60 | 0.4 | 0.0010 | | 130 | | 00:00:24 | 0.63 | 0.4 | 0.0010 | | 140 | | 00:00:26 | 0.64 | 0.4 | 0.0010 | | 150 | | 00:00:28 | 0.57 | 0.3|0．0010|| 9 | 160 | 00:00:30 | 0.54 | 0.3 | 0.0010 | | 10 | 170 | 00:00:32 | 0.52 | 0.3 | 0.0010 | | 10 | 180 | 00:00:33 | 0.45 | 0.2 | 0.0010 | | 11 | 190 | 00:00:35 | 0.55 | 0.3 | 0.0010 | | 12 | 200 | 00:00:37 | 0.56 | 0.3 | 0.0010 | | 12 | 210 | 00:00:39 | 0.55 | 0.3 | 0.0010 | | 13 | 220 | 00:00:41 | 0.52 | 0.3 | 0.0010 | | 13 | 230 | 00:00:42 | 0.53 | 0.3 | 0.0010 | | 14 | 240 | 00:00:44 | 0.58 | 0.3 | 0.0010 | | 14 | 250 | 00:00:46 | 0.47 | 0.2 | 0.0010 | | 15 | 260 | 00:00:48 | 0.49 | 0.2 | 0.0010 | | 15 | 270 | 00:00:50 | 0.44 | 0.2 | 0.0010 | | 16 | 280 | 00:00:52 | 0.45 | 0.2 | 0.0010 | | 17 | 290 | 00:00:54 | 0.47 | 0.2 | 0.0010 | | 17 | 300 | 00:00:55 | 0.43 | 0.2 | 0.0010 | | 18 | 310 | 00:00:57 | 0.44 | 0.2 | 0.0010 | | 18 | 320 | 00:00:59 | 0.44 | 0.2 | 0.0010 | | 19 | 330 | 00:01:01 | 0.38 | 0.1 | 0.0010 | | 19 | 340 | 00:01:03 | 0.41 | 0.2 | 0.0010 | | 20 | 350 | 00:01:04 | 0.39 | 0.2 | 0.0010 | | 20 | 360 | 00:01:06 | 0.42 | 0.2 | 0.0010 | | 21 | 370 | 00:01:08 | 0.42 | 0.2 | 0.0010 | | 22 | 380 | 00:01:10 | 0.39 | 0.2 | 0.0010 | | 22 | 390 | 00:01:12 | 0.37 | 0.1 | 0.0010 | | 23 | 400 | 00:01:13 | 0.37 | 0.1 | 0.0010 | | 23 | 410 | 00:01:15 | 0.35 | 0.1 | 0.0010 | | 24 | 420 | 00:01:17 | 0.29 | 8.3e-02 | 0.0010 | | 24 | 430 | 00:01:19 | 0.36 | 0.1 | 0.0010 | | 25 | 440 | 00:01:21 | 0.28 | 7.9e-02 | 0.0010 | | 25 | 450 | 00:01:22 | 0.29 | 8.1e-02 | 0.0010 | | 26 | 460 | 00:01:24 | 0.28 | 8.0e-02 | 0.0010 | | 27 | 470 | 00:01:26 | 0.27 | 7.1e-02 | 0.0010 | | 27 | 480 | 00:01:28 | 0.25 | 6.3e-02 | 0.0010 | | 28 | 490 | 00:01:30 | 0.24 | 5.9e-02 | 0.0010 | | 28 | 500 | 00:01:31 | 0.29 | 8.4e-02 | 0.0010 | | 29 | 510 | 00:01:33 | 0.35 | 0.1 | 0.0010 | | 29 | 520 | 00:01:35 | 0.31 | 9.3e-02 | 0.0010 | | 30 | 530 | 00:01:37 | 0.18 | 3.1e-02 | 0.0010 | | 30 | 540 | 00:01:38 | 0.22 | 4.6e-02 | 0.0010 | |========================================================================================| Detector training complete. *************************************************************************
读取一个测试图像。
I = imread(“detectcars.png”）;
运行探测器。
[bboxes,scores] = detect(检测器，I);
显示结果。
如果(~isempty(bboxes)) I = insertObjectAnnotation(I，“矩形”bboxes,分数);结束图imshow(我)
基于列车acf的停车标志检测器
使用训练数据训练一个基于acf的停止标志物体检测器
将包含图像的文件夹添加到MATLAB路径中。
imageDir = fullfile(matlabroot，“工具箱”,“愿景”,“visiondata”,“stopSignImages”）;目录(imageDir);
加载地面真相数据，其中包含停止标志和汽车的数据。
负载(“stopSignsAndCarsGroundTruth.mat”,“stopSignsAndCarsGroundTruth”）
查看标签定义以查看基本真理中的标签类型。
stopSignsAndCarsGroundTruth。LabelDefinitions
ans =3×3表名称类型组 ____________ _________ ________ {' stopSign的矩形}{‘没有’}{‘carRear}矩形{‘没有’}{‘carFront}矩形{'没有'}
选择用于训练的停止标志数据。
stopSignsAndCarsGroundTruth = selectLabelsByName(stopSignsAndCarsGroundTruth，“stopSign”）;
为停止标志对象检测器创建训练数据。
trainingData = objectDetectorTrainingData(stopSignGroundTruth);总结(trainingData)
变量:imageFilename: 41x1 cell数组字符向量stopSign: 41x1 cell
训练一个基于acf的对象检测器。
acfDetector = trainACFObjectDetector(训练数据，“NegativeSamplesFactor”2);
ACF对象检测器培训培训将分为4个阶段。模型尺寸为34x31。样本正面例子(~100%完成)计算近似系数…完成。计算聚合通道特性…已完成。-------------------------------------------- 阶段1:样本的负面例子(~ 100%)完成计算聚合通道特性…完成。用42个正例和84个反例训练分类器…完成。训练后的分类器有19个弱学习器。-------------------------------------------- 阶段2:样本负面例子(~ 100%完成)发现了84个新的负面例子进行训练。计算聚合通道特性…已完成。用42个正例和84个反例训练分类器…完成。 The trained classifier has 20 weak learners. -------------------------------------------- Stage 3: Sample negative examples(~100% Completed) Found 84 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 54 weak learners. -------------------------------------------- Stage 4: Sample negative examples(~100% Completed) Found 84 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 61 weak learners. -------------------------------------------- ACF object detector training is completed. Elapsed time is 17.6553 seconds.
在样本图像上测试基于acf的检测器。
I = imread(“stopSignTest.jpg”）;bboxes = detect(acfDetector,I);
显示检测到的对象。
annotation = acfDetector.ModelName;I = insertObjectAnnotation(I，“矩形”、bboxes、注释);图imshow(我)
从路径中删除映像文件夹。
rmpath (imageDir);
从groundTruth读取所有标签属性
加载图像位置，标签定义和标签数据。
数据=负载(“labelsWithAttributes.mat”）;图片= fullfile(matlabroot，“工具箱”,“愿景”,“visiondata”,“stopSignImages”, data.imageFilenames);
创建一个ground truth对象。
dataSource = groundTruthDataSource(images);gTruth = groundTruth(groundTruthDataSource(图像)，数据。labeldefs data.labelData);
使用ground truth对象创建图像数据存储、框标签数据存储和数组数据存储。
[imds, blds, arrds] = objectDetectorTrainingData(gTruth);
读取所有属性。
readall (arrds)
ans =2×1单元格数组{1x1 struct}
输入参数
输出参数
洛桑国际管理发展学院-图像数据存储
imageDatastore对象
图像数据存储，返回为imageDatastore对象中提取的图像gTruth对象。在洛桑国际管理发展学院至少包含一类带注释的标签。该函数忽略没有注释的图像。
建筑物—盒标数据存储
boxLabelDatastore对象
框标签数据存储，返回为boxLabelDatastore对象。数据存储包含用于ROI标签名称和的分类向量米的-by-4矩阵米边界框。边界框的位置和大小用double表示米-by-4元素向量，格式为[x,y,宽度,高度］．
arrds—阵列数据存储
结构体数组
数组数据存储，返回为结构体数组中。田野的结构体在框标签数据存储区中包含相应标签的属性和子标签名建筑物．子标签数据打包到结构体与一个位置字段以及与子标签属性对应的字段。
版本历史
在R2017a中引入
您也可以从以下列表中选择一个网站: