创建YOLO V2对象检测网络
此示例显示如何修改佩带的MobileNet V2网络以创建Yolo V2对象检测网络。
将净化网络转换为YOLO V2网络的过程类似于图像分类的传输学习过程：
加载佩带的网络。
从佩带的网络中选择一个层以用于特征提取。
特征提取层后拆下所有图层。
添加新图层以支持对象检测任务。万博1manbetx
加载净化网络
使用佩带的MobileNet V2网络使用MobileNetv2.。这需要MobileNet V2网络™支持包的深度学习工具箱模型。万博1manbetx如果未安装此支持万博1manbetx包，则该函数提供了下载链接。加载网络后，将网络转换为a分层图对象使您可以操纵图层。
net = mobilenetv2（）;Lgraph =图层图（网）;
更新网络输入大小
更新网络输入大小以满足培训数据要求。例如，假设训练数据是300×300 RGB图像。设置输入大小。
imageInputSize = [300 300 3];
接下来，创建一个具有与原始图层相同的名称的新图像输入层。
imglayer = imageInputLayer（imageInputSize，“姓名”那“输入_1”的）
Imglayer = ImageInputLayer具有属性：名称：'input_1'输入：[300 300 3] HyperParameters DataAugmentation：'无'归一化：'Zerocenter'标准化Dimension：'Auto'均值：[]
用新的图像输入层替换旧图像输入层。
Lgraph =替换剂（LGROPLAYER（“输入_1”，imglayer）;
选择要素提取层
当输出特征宽度和高度介于比输入图像小8到16倍之间时，YOLO V2特征提取层最有效。此下采样量是空间分辨率和输出特征质量之间的权衡。你可以使用分析功能或深网络设计器应用程序以确定网络内的图层的输出大小。请注意，选择最佳特征提取层需要经验评估。
将特征提取层设置为“block_12_add”。该层的输出大小比输入图像大小为300×300的输出大小为约16倍。
featureextractionlayer =“block_12_add”;
特征提取层后拆下图层
接下来，在特征提取层之后拆下层。您可以通过将网络导入深度网络设计器应用程序，手动删除图层，并将修改的网络导出到工作区。
对于此示例，加载修改的网络，该网络已作为支持文件添加到该示例。万博1manbetx
修改= load（“mobilenetv2block12add.mat”）;Lgraph = Modified.mobilenetv2block12add;
创建YOLO V2检测子网
检测子网由串联卷积，Relu和批量归一化层组组成。这些层是一个YOLOV2TRANSFORMLAYER.A.YOLOV2OUTPUTLAYER.。
首先，创建两组串联连接的卷积，Relu和批量归一化层。将卷积层过滤器大小设置为3乘3，并匹配特征提取层输出中的通道数的滤波器数。指定“相同的”在卷积层中填充以保持输入大小。
filtersize = [3 3];numfilters = 96;检测模式= [卷积2dlayer（过滤，numfilters，“姓名”那“yolov2conv1”那“填充”那“相同的”那“掌控itializer”，@（sz）randn（sz）* 0.01）BatchnormalizationLayer（“姓名”那“yolov2batch1”）剥离（“姓名”那“yolov2relu1”）卷积2dlayer（过滤，numfilters，“姓名”那“yolov2conv2”那“填充”那“相同的”那“掌控itializer”，@（sz）randn（sz）* 0.01）BatchnormalizationLayer（“姓名”那“yolov2batch2”）剥离（“姓名”那“yolov2relu2”）
DetectionLayers = 6x1层阵列带图层：1'yolov2conv1'卷积96 3x3卷绕卷曲[1 1]和填充'相同'2'yolov2batch1'批量归一化批量归一化3'yolov2relu1'Relu Relu 4'yolov2conv2'卷积96 3x3卷积迈进[1 1]和填充'相同'5'yolov2batch2'批量归一化批量归一化6'yolov2relu2'relu Relu
接下来，创建检测子网的最终部分，其具有卷积层，然后是一个YOLOV2TRANSFORMLAYER.A.YOLOV2OUTPUTLAYER.。卷积层的输出预测每个锚点盒的以下内容：
对象类概率。
x和y位置偏移。
宽度和高度偏移。
指定锚框和类的数量，并计算卷积层的过滤器数。
numclasses = 5;锚盒= [16 16 32 16];Numanchors =尺寸（锚盒，1）;numpredictionsperanchor = 5;numfiltersinlastconvlayer = numanchors *（numclasses + numpredictionsperanchor）;
添加Convolution2Dlayer.那YOLOV2TRANSFORMLAYER.， 和YOLOV2OUTPUTLAYER.到检测子网。
检测模式= [检测模式卷积2dlayer（1，numfiltersinlastconvlayer，“姓名”那“yolov2classconv”那......“掌控itializer”，@（sz）randn（sz）* 0.01）YOLOV2TRANSFORMLAYER（NUMANCHONS，“姓名”那“yolov2transform”）Yolov2OutputLayer（锚盒，“姓名”那“yolov2outputplayer”）
DetectionLayers =带有层的9x1层阵列：1'yolov2conv1'卷积96 3x3卷绕卷曲[11]和填充'相同'2'yolov2batch1'批量归一化批量归一化3'yolov2relu1'Relu Relu 4'yolov2conv2'卷积96 3x3卷积迈进[1 1]和填充'相同的'5'yolov2batch2'批量归一化批量归一化6'yolov2Relu2'Relu Relu 7'yolov2classconv'卷积20 1x1卷曲的卷积[11]和填充[0 0 0 0] 8'yolov2transform'YOLO V2变换层YOLO V2变换层用2个锚9'yolov2OutputLayer'YOLO V2输出YOLO V2输出，带2个锚
完整的YOLO V2检测网络
将检测子网附加到特征提取网络。
Lgraph = Addlayers（LGraph，DetectionLayers）;LGRAPH = CONNECTLAYERS（LAPHE，FeatureeXtractionLayer，“yolov2conv1”）;
采用分析（LGraph）检查网络然后使用培训YOLO V2对象检测器trainyolov2objectdetector功能。
您还可以从以下列表中选择一个网站：
