rcnnObjectDetector
使用R-CNN深学习检测器检测对象
描述
的rcnnObjectDetector对象检测对象从一个图像,使用R-CNN检测器与卷积神经网络(地区)对象。检测对象在一个图像,通过训练检测器检测函数。分类的图像区域,通过检测器classifyRegions函数。
的使用rcnnObjectDetector需要统计和机器学习的工具箱™和深度学习工具箱™。
当使用检测或classifyRegions功能与rcnnObjectDetector使用CUDA®使英伟达®GPU是强烈推荐。GPU大大减少了计算时间。使用GPU的并行计算需要工具箱™。关于支持计算能力的信息,看到万博1manbetxGPU的万博1manbetx支持版本(并行计算工具箱)。
创建
创建一个rcnnObjectDetector对象通过调用trainRCNNObjectDetector函数与训练数据(需要深度学习工具箱)。
探测器= trainRCNNObjectDetector (trainingData…)
属性
对象的功能
检测 |
使用R-CNN深学习检测器检测对象 |
classifyRegions |
分类对象在图像区域使用R-CNN对象探测器 |
例子
火车R-CNN停车标志探测器
负荷训练数据和网络层。
负载(“rcnnStopSigns.mat”,“stopSigns”,“层”)
映像目录添加到MATLAB路径。
imDir = fullfile (matlabroot,“工具箱”,“愿景”,“visiondata”,…“stopSignImages”);目录(imDir);
设置网络训练选项使用mini-batch 32减少GPU内存使用量的大小。降低InitialLearningRate减少的速率网络参数改变。这是有益的在微调pre-trained网络和阻止网络改变过快。
选择= trainingOptions (“个”,…“MiniBatchSize”32岁的…“InitialLearnRate”1 e-6…“MaxEpochs”10);
火车R-CNN探测器。训练可以花几分钟来完成。
rcnn = trainRCNNObjectDetector (stopSigns层,选择,“NegativeOverlapRange”0.3 [0]);
* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *培训R-CNN对象探测器以下对象类:* stopSign步骤1的3:从27日训练图像提取区域建议……。步骤2的3:在训练数据训练神经网络分类对象……| = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | | |时代迭代时间| Mini-batch | Mini-batch |基地学习| | | |(秒)| | |精度损失速率| | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | 3 | 50 | 9.27 | 0.2895 | 96.88% | 0.000001 | | 100 | | 14.77 | 0.2443 | 93.75% | 0.000001 | | 150 | | 20.29 | 0.0013 | 100.00% | 0.000001 | | 200 | | 25.94 | 0.1524 | 96.88% | 0.000001 | | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = |网络训练完成。步骤3的3:训练边界框回归模型为每个对象类……100.00%……做的。R-CNN培训完成。* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *
测试R-CNN探测器测试图像。
img = imread (“stopSignTest.jpg”);[bbox,分数,标签]=检测(rcnn img,“MiniBatchSize”、32);
显示强大的检测结果。
[得分,idx] = max(分数);bbox = bbox (idx:);注释= sprintf (' % s:(信心= % f) '标签(idx),得分);detectedImg = insertObjectAnnotation (img,“矩形”bbox,注释);图imshow (detectedImg)
删除图像目录的路径。
rmpath (imDir);
恢复训练R-CNN对象探测器
恢复训练R-CNN对象探测器使用额外的数据。为了说明这个过程,地面实况数据的一半将用于最初训练检测器。然后,培训使用的所有数据恢复。
训练数据加载和初始化培训选项。
负载(“rcnnStopSigns.mat”,“stopSigns”,“层”)stopSigns。imageFilename = fullfile (toolboxdir (“愿景”),“visiondata”,…stopSigns.imageFilename);选择= trainingOptions (“个”,…“MiniBatchSize”32岁的…“InitialLearnRate”1 e-6…“MaxEpochs”10…“详细”、假);
火车R-CNN探测器地面真理的一部分。
:rcnn = trainRCNNObjectDetector (stopSigns(1:10),层,选择,“NegativeOverlapRange”0.3 [0]);
从探测器得到训练的网络层。当你通过网络层的数组trainRCNNObjectDetector按原样使用,他们继续训练。
网络= rcnn.Network;层= network.Layers;
使用的所有训练数据恢复训练。
rcnnFinal = trainRCNNObjectDetector (stopSigns层,选项);
创建一个网络多级R-CNN对象检测
创建一个R-CNN对象探测器的两个对象类:狗和猫。
对象类= {“狗”,“猫”};
网络必须能够分类两种狗,猫,和“背景”类以被训练使用trainRCNNObjectDetector。在这个例子中,添加了一个包括背景。
numClassesPlusBackground =元素个数(对象类)+ 1;
最后一个完全连接的网络层定义了类的数量,网络可以进行分类。组最后一个完全连接层有一个输出尺寸等于类+背景类的数量。
层= […imageInputLayer([1] 28日28日)convolution2dLayer (5、20) fullyConnectedLayer (numClassesPlusBackground);classificationLayer softmaxLayer () ()];
现在这些网络层可以用来训练一个R-CNN两级对象探测器。
使用保存网络R-CNN对象探测器
创建一个R-CNN对象探测器和设置它使用检查点保存网络。网络检查点保存在网络训练时,每一个时代trainingOptions“CheckpointPath”参数设置。网络检查点是有用的,以防你的训练意外终止。
负荷训练数据停止的标志。
负载(“rcnnStopSigns.mat”,“stopSigns”,“层”)
添加图像文件的完整路径。
stopSigns。imageFilename = fullfile (toolboxdir (“愿景”),“visiondata”,…stopSigns.imageFilename);
设置“CheckpointPath”使用trainingOptions函数。
checkpointLocation = tempdir;选择= trainingOptions (“个”,“详细”假的,…“CheckpointPath”,checkpointLocation);
火车R-CNN对象探测器和一些图片。
:rcnn = trainRCNNObjectDetector (stopSigns(1:3),层,选项);
加载一个检查点保存网络。
wildcardFilePath = fullfile (checkpointLocation,“convnet_checkpoint__ * .mat”);内容= dir (wildcardFilePath);
负载的一个检查站网络。
(1).folder filepath = fullfile(内容,内容(1). name);检查点=负载(filepath);checkpoint.net
ans = SeriesNetwork属性:层:[15×1 nnet.cnn.layer.Layer]
创建一个新的R-CNN对象探测器和设置它使用保存的网络。
rcnnCheckPoint = rcnnObjectDetector ();rcnnCheckPoint。RegionProposalFcn = @rcnnObjectDetector.proposeRegions;
检查点设置网络保存网络。
rcnnCheckPoint。网络= checkpoint.net
rcnnCheckPoint = rcnnObjectDetector属性:网络:[1×1 SeriesNetwork]一会:{“stopSign”“背景”}RegionProposalFcn: @rcnnObjectDetector.proposeRegions
