大家好，我是Ram Cherukuri, Mathworks的产品经理，在这个视频中，我将向您介绍一个在MATLAB中使用Yolo V2进行实时目标检测的例子。
Yolo是什么?
YOLO代表“你只看一次”，它是一种流行的目标检测方法。
对象检测的一种常用方法是重新使用分类器来执行检测。
例如，RCNN使用区域提议方法首先在图像中生成潜在的边界框，然后在这些提议的盒子上运行分类器，然后改进预测。如您所见，这需要多次计算。
另一方面，Yolo将检测构建为一个回归问题，并将对象检测的独立组件统一为一个单一的神经网络。
它将输入图像划分为一个网格，每个网格单元预测一定数量的边界框以及这些框的置信度分数。这些分数反映了模型对盒子包含对象的信心程度，以及它认为盒子预测的准确性。每个网格单元格还预测条件类概率。
这需要处理很多问题，我建议参考一些论文和文章来理解这种独特方法的细微差别，因为在这个短视频中不可能涵盖所有内容。
Yolo已经变得非常流行和重要，因为它被认为是最先进的技术，因为它使用单一网络，可以非常快速地进行实时物体检测。
即使您不熟悉，也可以通过MATLAB中发布的这个示例开始使用Yolo v2®这解释了如何在数据上训练Yolov2对象检测器。
然后，使用GPU Coder™，您可以生成优化的CUDA代码来针对NVIDIA®像Jetson Xavier这样的板子直接来自MATLAB。
硬件支持包使您能够将生成的万博1manbetx代码部署到Jetson和驱动器平台上，我们将在接下来的演示中看到这一点。
在MATLAB中，我已经从示例中获得训练过的对象检测器作为我的起点，我将在这里对测试图像运行推理。
事实上，我们运行了一个简单的测试，比较Faster RCNN模型和Yolo v2，您可以看到Yolo v2在我的本地机器上快了大约25倍。
现在，使用GPU Coder，我们将从这个函数生成CUDA代码，并使用nvcc将其编译成一个MEX文件，以便我们可以在我的台式机上验证生成的代码。
您可以看到，生成的MEX在我的桌面上的这个视频文件上以大约80帧/秒的速度运行，该视频文件具有Titan Xp GPU。
请注意，这些不是官方的基准测试数字，因为我还有一些其他程序也在后台运行，但这应该让您了解Yolo v2网络的性能。
现在，使用NVIDIA gpu的硬件支持包，我可万博1manbetx以从连接到我的Jetson Xavier板的摄像头获得实时数据，我们可以使用相同的生成MEX文件运行推断。
在这里，我使用窗外的实时数据俯瞰9号公路的交通状况。
最后，我可以从这里的算法生成代码，从网络摄像头获取输入，使用Yolo v2进行对象检测，并显示输出。
NVIDIA硬件支持包支持这些接口的代码万博1manbetx生成，一旦代码生成和构建完成，我们就可以在Jetson Xavier板上作为独立应用程序运行可执行文件。
所以，我们使用Yolo v2在Jetson Xavier上独立运行进行实时物体检测，从连接到它的网络摄像头获取实时输入。
这里总结了这个示例的一些要点。您可以直接从MATLAB中使用简单的api来定位NVIDIA板，如Jetson Xavier和Drive PX，而不需要编写任何CUDA代码。
请参考视频下方的链接，了解更多硬件支持包，并在MATLAB中找到更多目标检测示例。万博1manbetx
