使用深度学习的目标检测提供了一种快速而准确的方法来预测目标在图像中的位置。深度学习是一种强大的机器学习技术,其中目标检测器自动学习所需的图像特征检测任务。一些使用深度学习的目标检测技术是可用的,如Faster R-CNN,你只看一次(YOLO) v2, YOLO v3,和单镜头检测(SSD)。
对象检测的应用包括:
图像分类
现场了解
无人驾驶车辆
监测
使用标签应用程序交互式地标记视频、图像序列、图像收集或自定义数据源中的地面真相数据。您可以使用矩形标签来标记物体检测地面的真相,它定义了物体在图像中的位置和大小。
使用数据增强提供了一种方法来使用有限的数据集进行培训。次要的变化,例如翻译,裁剪或转换图像,提供您可以用来训练强大的探测器的新,不同和唯一的图像。数据存储是读取和增强数据集合的便捷方式。用imageageAtastore.
和boxLabelDatastore
为图像和标记的边界框数据创建数据存储。
增强对象检测的边界框(深度学习工具箱)
为深度学习预处理图像(深度学习工具箱)
为特定领域的深度学习应用程序预处理数据(深度学习工具箱)
有关使用数据存储增强训练数据的更多信息,请参见用于深度学习的数据存储(深度学习工具箱), 和使用内置数据存储执行其他图像处理操作(深度学习工具箱)。
每个对象检测器包含一个独特的网络体系结构。例如,Faster R-CNN检测器使用两级网络进行检测,而YOLO v2检测器使用单级网络。使用函数如Fasterrcnlayers.
或者yolov2Layers
创建网络。您还可以使用图层设计网络层深层网络设计师(深度学习工具箱)。
使用trainFasterRCNNObjectDetector
,trainYOLOv2ObjectDetector
,trainSSDObjectDetector
用于培训对象探测器的功能。使用评估法律
和evaluateDetectionPrecision
对培训结果进行评估。
使用训练好的检测器检测图像中的物体。例如,下面显示的部分代码使用训练过的探测器
在图像上我
。使用检测
目标函数在fasterRCNNObjectDetector
,yolov2ObjectDetector
,yolov3objectdetector
,或ssdObjectDetector
对象返回边界框、检测分数和分配给边界框的分类标签。
我= imread (input_image) [bboxes,scores,labels] = detect(检测器,I)