火车YOLO v2物体探测器
返回使用输入指定的版本2 (YOLO v2)网络体系结构训练的对象检测器探测器
= trainYOLOv2ObjectDetector (trainingData
那lgraph
那选项
)lgraph
.这选项
Input指定检测网络的训练参数。
从保存的检测器检查点恢复培训。探测器
= trainYOLOv2ObjectDetector (trainingData
那检查点
那选项
)
您可以使用此语法:
添加更多培训数据并继续培训。
通过增加最大的迭代次数来提高训练的准确性。
继续培训YOLO v2对象检测器。使用此语法对检测器进行微调。探测器
= trainYOLOv2ObjectDetector (trainingData
那探测器
那选项
)
除了在任何前述语法中的输入参数之外,使用名称值对使用名称值对进行多尺度培训的图像大小。探测器
= trainYOLOv2ObjectDetector (___,'teversionimagesize',trainingSizes
)
要生成地面真理,请使用图像贴标器或视频贴图要从生成的ground truth创建一个训练数据表,使用ObjectDetortRaringData.
函数。
提高预测准确性,
增加您可以用来训练网络的图像数量。您可以通过数据增强扩展培训数据集。有关如何应用数据增强进行预处理的信息,请参阅深度学习的预处理图像(深度学习工具箱).
通过使用来执行多尺度培训trainYOLOv2ObjectDetector
函数。为此,请指定'TrainingImageSize
的参数trainYOLOv2ObjectDetector
用于训练网络的功能。
选择适合于数据集的锚框来训练网络。你可以使用estimateAnchorBoxes
功能直接从培训数据计算锚框。
[1]约瑟夫。R,S.K. Divvala,R.B.Girshick和F. Ali。“你只看一次:统一,实时对象检测。”在IEEE计算机视觉与模式识别会议论文集,pp.779-788。拉斯维加斯,NV:CVPR,2016年。
[2]约瑟夫。R和F. Ali。“yolo 9000:更好,更快,更强。”在IEEE计算机视觉与模式识别会议论文集,pp。6517-6525。檀香山,嗨:CVPR,2017年。
ObjectDetortRaringData.
|trainFasterRCNNObjectDetector
|trainFastRCNNObjectDetector
|trainRCNNObjectDetector
|yolov2镶嵌
|trainingOptions
(深度学习工具箱)