主要内容

ObjectDetortRaringData.

为对象检测器创建培训数据

页面上倒塌

句法

[IMDS，BLDS] = ObjectDettortRaringData（GTRUTH）
trainingDatable = ObjectDettortRainingData（GTRUTH）
___= ObjectDetortRaringData（GTRUTH，NAME，VALUE）

描述

例子

[IMDS.那BLDS.] = ObjectDettortRainingData（gTruth）从指定的地面真理创建图像数据存储和框标签数据存储培训数据。

您可以使用组合图像和框标签数据存储结合（IMDS.那BLDS.）创建培训所需的数据存储。使用培训函数的组合数据存储，如trainACFObjectDetector那Trainyolov2ObjectDetector.那trainfastrcnnobjectdetector.那trainFasterRCNNObjectDetector， 和trainrcnnobjectdetector.。

此功能支持使用多个MATLA万博1manbetxB的并行计算®工人。使用parally计算使用计算机视觉工具箱首选项对话。

例子

培训模式= ObjectDettortRainingData（gTruth）从指定的地面真理返回培训数据表。gTruth是一系列的地面对象。您可以使用该表格使用计算机视觉工具箱™培训函数来培训目标检测器。

___= ObjectDettortRainingData（gTruth那名称，价值）返回一个培训数据表，其中包含一个或多个名称值对参数指定的其他选项。如果你创造了地面对象gTruth使用视频文件，自定义数据源或imageageAtastore.具有不同自定义读取功能的对象，然后您可以指定名称值对参数的任何组合。如果你创造了地面来自图像集合或图像序列数据源的对象，然后您只能指定“SamplingFactor.'名称-值对参数。

例子

全部收缩

此示例使用：

打开直播脚本

基于YOLO V2网络列车车辆探测器。

将包含图像的文件夹添加到工作区。

imagedir = fullfile（matlabroot，'工具箱'那'想象'那“visiondata”那'车辆'）;AddPath（Imagedir）;

加载车辆地面真理数据。

data = load（“vehicleTrainingGroundTruth.mat”）;gtruth = data.vehicletraingdroundtruth;

加载包含图层图对象进行培训的探测器。

vevicledetector = load（'yolov2vehicledetectormat'mat'）;Lgraph =车辆levedector.lgraph.lgraph.
LAPHAGH =具有属性的分层图：图层：[25×1 nnet.cnn.layer.layer]连接：[24×2表]输入名称：{'输入'} OutputNames：{'yolov2outputlayer'}

使用地面真实对象创建图像数据存储和框标签数据存储。

[IMDS，BXDS] = ObjectDettortRainingData（GTRUTH）;

组合数据存储。

cd =结合(imd, bxds);

配置培训选项。

选项=培训选项（'sgdm'那......'italllearnrate'，0.001，......'verbose'，真的，......“MiniBatchSize”, 16岁,......'maxepochs'，30，......“洗牌”那'每个时代'那......'verbosefrequency'，10）;

训练探测器。

[探测器，信息] = trainyolov2ObjectDetector（CD，LGraph，选项）;
************************************************************************* 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 | 1.13 | 1.3 | 0.0010 | | 3 | 50 | 00:00:09 | 1.01 | 1.0 | 0.0010 | | 4 | 60 | 00:00:11 | 0.95 | 0.9 | 0.0010 | | 4 | 70 | 00:00:13 | 0.84 | 0.7 | 0.0010 | | 5 | 80 | 00:00:15 | 0.84 | 0.7 | 0.0010 | | 5 | 90 | 00:00:17 | 0.70 | 0.5 | 0.0010 | | 6 | 100 | 00:00:19 | 0.65 | 0.4 | 0.0010 | | 7 | 110 | 00:00:21 | 0.73 | 0.5 | 0.0010 | | 7 | 120 | 00:00:23 | 0.60 | 0.4 | 0.0010 | | 8 | 130 | 00:00:24 | 0.63 | 0.4 | 0.0010 | | 8 | 140 | 00:00:26 | 0.64 | 0.4 | 0.0010 | | 9 | 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. *************************************************************************

读取测试图像。

我= imread ('detectcars.png'）;

运行探测器。

[bboxes，scores] =检测（探测器，i）;

显示结果。

如果（〜isempty（bboxes））i = InsertObjectAnnotation（I，'矩形'bboxes,分数);结尾图imshow（i）

打开直播脚本

使用培训数据培训基于ACF的对象探测器以进行停止标志

将包含图像的文件夹添加到MATLAB路径。

imagedir = fullfile（matlabroot，'工具箱'那'想象'那“visiondata”那'stopsignimages'）;AddPath（Imagedir）;

负载地面真理数据，其中包含停止标志和汽车的数据。

加载（'stopsignsandcarsgroundtruth.mat'那'stopsignsandcarsgardtruth'）

查看标签定义以查看地面真相中的标签类型。

stopSignsAndCarsGroundTruth。LabelDefinitions
ans =.3×3表名称类型组____________ __________ ________ {'stopsign'}矩形{'none'} {'carrear'} rectangle {'none'} {'carfront'} rectangle {'none'}

选择停止标志数据进行培训。

stopSignGroundTruth = selectLabelsByName (stopSignsAndCarsGroundTruth,'停止标志'）;

创建停止标志对象检测器的培训数据。

trainingdata = ObjectDettortRainingData（STOPSIGNGRINDTRUTH）;摘要（TrainingData）
变量：ImageFileName：41x1字符向量阵列停止：41x1单元格

培训基于ACF的物体探测器。

acfdetector = trainacfobjectdetector（trainingdata，'否定amplefactor'，2）;
ACF对象探测器培训培训将需要4个阶段。模型尺寸为34x31。样本阳性例子（〜100％完成）计算近似系数......完成。计算聚合信道功能...已完成。---------------------------------------------第1阶段：样本否定例子（〜100％完成）计算聚合信道功能...完成。火车分类器有42个正面例子和84个否定例子......完成。训练有素的分类器有19名弱者。------------------------------------------第2阶段：样本否定例子（〜100％完成）发现了84个培训的新负例。计算聚合信道功能...已完成。火车分类器有42个正面例子和84个否定例子......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 28.6919 seconds.

在样本图像上测试基于ACF的探测器。

我= imread (“stopSignTest.jpg”）;Bboxes =检测（Acfdetector，i）;

显示检测到的对象。

annotation = acfdetector.modelname;i = InsertObjectAnnotation（i，'矩形'，bboxes，注释）;图imshow（i）

图中包含一个坐标轴。轴包含一个image类型的对象。

从路径中移除图像文件夹。

rmpath（imagedir）;

此示例使用：

打开直播脚本

使用培训数据培训基于ACF的物体探测器。

imagedir = fullfile（matlabroot，'工具箱'那'驾驶'那'divertdata'那'车辆不等）;AddPath（Imagedir）;

加载地面真理数据。

加载Warthegroundtruth.Mat

为车辆创建对象检测器的培训数据。

trainingdata = ObjectDettortRainingData（GTRUTH，'samplingfactor'，2）;

培训基于ACF的物体探测器。

acfdetector = trainacfobjectdetector（trainingdata，'objectTrainingsize'，[20 20]）;
ACF对象探测器培训培训将需要4个阶段。模型尺寸为20x20。样本阳性例子（〜100％完成）计算近似系数......完成。计算聚合信道功能...已完成。---------------------------------------------第1阶段：样本否定例子（〜100％完成）计算聚合信道功能...完成。火车分类器有71个正面例子和355个否定例子......完成。训练有素的分类器有68名弱势学习者。------------------------------------------第2阶段：样本否定例子（〜100％完成）发现了76个培训的新负面例子。计算聚合信道功能...已完成。火车分类器有71个正面例子和355个否定例子......完成。 The trained classifier has 120 weak learners. -------------------------------------------- Stage 3: Sample negative examples(~100% Completed) Found 54 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 71 positive examples and 355 negative examples...Completed. The trained classifier has 170 weak learners. -------------------------------------------- Stage 4: Sample negative examples(~100% Completed) Found 63 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 71 positive examples and 355 negative examples...Completed. The trained classifier has 215 weak learners. -------------------------------------------- ACF object detector training is completed. Elapsed time is 11.5031 seconds.

在测试图像上测试ACF检测器。

我= imread ('highway.png'）;[Bboxes，scores] =检测（Acfdetector，我，“阈值”，1）;

选择最高分类分数的检测。

[〜，idx] = max（得分）;

显示检测到的对象。

annotation = acfdetector.modelname;i = InsertObjectAnnotation（i，'矩形'，bboxes（idx，:)，注释）;图imshow（i）

图中包含一个坐标轴。轴包含一个image类型的对象。

从路径中移除图像文件夹。

rmpath（imagedir）;

输入参数

全部收缩

地面真理数据，指定为标量或数组地面对象。您可以通过使用通过现有地面真实数据创建地面真实对象地面目的。

如果您使用自定义数据源地面启用并行计算，然后读取器功能预计将使用Matlab Worker池，以并行地从数据源读取图像。

名称值对参数

指定可选的逗号分离对名称，价值论点。名称是参数名称和价值是相应的价值。名称必须出现在引号内。您可以以任何顺序指定多个名称和值对参数name1，value1，...，namen，valuen。

例子：'samplingfactor'那5.

在地面真实数据源中的分离图像的因素，指定为'汽车'，整数或整数矢量。用于抽样因子N，返回的培训数据包括每个N在地面真理数据源中的图像。该函数忽略带空标签数据的地面真理图像。

价值 抽样系数
'汽车' 采样系数N是5.对于带时间戳的数据源，和1对于一系列图像。
整数 所有地面真理数据源gTruth采用相同的采样系数进行采样N。
整数矢量 这K.Th Rimite Tract数据源gTruth采用抽样因子进行采样N（K.）。

要向其中写入提取图像的文件夹名称，指定为字符串标量或字符向量。指定的文件夹必须存在并具有写权限。

此参数仅适用于：

该函数忽略此参数何时：

  • 输入地面对象是从图像序列数据源创建的。

  • 输入数组地面对象全部包含使用相同自定义的图像数据存储读功能。

  • 任何输入地面包含数据存储的对象，使用默认值读功能。

图像文件格式，指定为字符串标量或字符向量。必须支持文件格式万博1manbetxIMWRITE.。

此参数仅适用于：

该函数忽略此参数何时：

  • 输入地面对象是从图像序列数据源创建的。

  • 输入数组地面对象全部包含使用相同自定义的图像数据存储读功能。

  • 任何输入地面包含数据存储的对象，使用默认值读功能。

输出图像文件名的前缀，指定为字符串标量或字符向量。图像文件命名为：

< name_prefix > < source_number > _ < image_number >。< image_format >

默认值使用从中提取图像的数据源的名称，Strcat（Sourcename，'_'），用于视频和自定义数据源，或'数据存储'，对于图像数据存储。

此参数仅适用于：

该函数忽略此参数何时：

  • 输入地面对象是从图像序列数据源创建的。

  • 输入数组地面对象全部包含使用相同自定义的图像数据存储读功能。

  • 任何输入地面包含数据存储的对象，使用默认值读功能。

标志显示Matlab命令行的培训进度，指定为真的要么错误的。此属性仅适用于地面使用视频文件或自定义数据源创建的对象。

输出参数

全部收缩

图像数据存储，作为一个返回imageageAtastore.包含从中提取图像的对象gTruth对象。图像in.IMDS.包含至少一类注释的标签。该功能忽略未注释的图像。

框标签数据存储，作为一个返回boxlabeldatastore.目的。数据存储区包含ROI标签名称的分类向量m- 4个矩阵m边界框。边界框的位置和尺寸表示为双倍m-by-4元素矢量格式[X那y那宽度那高度]。

训练数据表，返回为具有两个或多个列的表。表的第一列包含图像文件名和路径。图像可以是灰度或真彩色(RGB)和支持的任何格式万博1manbetxImread.。每个剩余列对应于ROI标签，并包含该标签的图像中的边界框的位置（在第一列中指定）。边界框指定为m- 4个矩阵m格式的边界框[X那y那宽度那高度]。[X那y]指定左上角的位置。要创建一个地面真相表，可以使用图像贴标器应用程序或视频贴图应用程序。

输出表忽略输入中存在的任何Sublabel或属性数据gTruth目的。

也可以看看

应用

功能

对象

话题

在R2017A介绍

计算机视觉工具箱文档

万博1manbetx

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书