先决条件

有关受支持版本的编译器和库的详细信息，请参阅万博1manbetx第三方硬件和软件.

此示例在Linux®、Windo万博1manbetxws®和macOS平台上受支持，而MATLAB Online不支持此示例。

预先训练达格网络对象

DAG网络包含150个层，包括卷积层、ReLU层和批量标准化层以及YLO v2变换层和YLO v2输出层。

net=getYOLOv2（）；

正在下载预训练检测器（98 MB）。。。

使用命令net.Layers查看网络的所有层。

net.Layers

代码生成yolov2_检测作用

这个yolov2_检测示例附带的函数获取图像输入，并使用中保存的网络在图像上运行检测器Yolov2Resnet50车辆示例.mat。该函数从加载网络对象Yolov2Resnet50车辆示例.mat变成一个持久变量yolov2Obj。对函数的后续调用将重用持久对象进行检测。

类型(“yolov2_检测.m”)

函数outImg=yolov2_检测（in）%Copyright 2018-2019 MathWorks，Inc.%永久对象yolov2Obj用于加载Yolov2oObjectDetector对象。%n首次调用此函数时，将构造并设置永久对象%。随后对该函数的调用将重复使用同一对象，以在输入时调用检测%，从而避免重新构建和重新加载该对象%network object.persistent yolov2Obj；if isempty（yolov2Obj）yolov2Obj=coder.loadDeepLearningNetwork（'yolov2ResNet50VehicleExample.mat'）；end%pass-in输入[bboxes，~，labels]=yolov2Obj.detect（in，'Threshold'，0.5）；outImg=in；%将分类标签转换为字符向量的单元格数组，以便在coder.target（'MATLAB'）执行labels=cellstr（labels）；如果（~（isempty（bboxes）&&isempty（labels））%注释图像中的检测，则结束。outImg=insertObjectAnnotation（在“矩形”中，bboxes，labels）；结束

若要生成代码，请为MEX目标创建代码配置对象，并将目标语言设置为C++。coder.DeepLearningConfig函数创建MKL-DNN深度学习配置对象。将此对象指定给深度学习配置代码配置对象的属性。将输入大小指定为编码基因命令在本例中，YOLO v2网络的输入层大小为[224,224,3].

cfg=coder.config(“墨西哥”); cfg.TargetLang=“C++”；cfg.DeepLearningConfig=coder.DeepLearningConfig(“mkldnn”); 编码基因-配置cfgyolov2_检测-args{one（224224,3，'uint8'）}-报告

代码生成成功：要查看报告，请打开（'codegen\mex\yolov2\u detection\html\report.mldatx'）。

在示例输入上运行生成的MEX函数

设置视频文件读取器并读取示例输入视频lanechange.mp4公路.创建视频播放器以显示视频和输出检测。

视频文件=“highway_lanechange.mp4”; videoFreader=vision.VideoFileReader（videoFile，“VideoOutputDataType”,‘uint8’); depVideoPlayer=vision.DeployableVideoPlayer(“尺寸”,“习俗”,“定制尺寸”,[640 480]);

逐帧读取视频输入，并使用检测器检测视频中的车辆。

cont=~isDone（视频阅读器）；虽然conti=step（videoFreader）；in=imresize（I[224224]）；out=yolov2_-mex（in）；depVideoPlayer（out）；cont=~isDone（videoFreader）和&isOpen（depVideoPlayer）；%如果视频播放器图形窗口关闭，则退出循环终止

工具书类

[1] 雷蒙、约瑟夫和阿里·法哈迪。YOLO9000：更好、更快、更强2017年IEEE计算机视觉和模式识别会议（CVPR），6517–25。檀香山，HI:IEEE，2017。