拉姆Cherukuri,MathWorks公司
通过使用YOLO V2在MATLAB的实时对象检测的例子步行®。我们开始用MATLAB公布的例子,说明如何训练YOLO V2目标物检测,并使用GPU编码器™,我们生成优化的CUDA代码。
我们通过使用NVCC编译成一个MEX文件来验证生成的代码,我们发现生成的MEX以每秒约80帧的测试视频文件运行。
使用硬件级支持包NVIDIA万博1manbetx®的GPU,我们部署生成的代码到杰特森泽维尔板作为一个独立的应用程序。
嗨,我是拉姆Cherukuri,产品经理在这里Mathworks公司,并在这个视频,我要带你通过使用MATLAB YOLO V2的实时对象检测的例子。
什么是YOLO?
YOLO代表“你只能看一次”,它是物体检测一个流行的方法。
到对象检测的常用方法是重新利用CLASSI音响ERS进行检测。
所以,举例来说,RCNN使用区域建议的方法来第一个生成的图像中潜在的边框,然后运行对这些提议的箱子一个CLASSI网络呃,然后细化的预测。正如你所看到的,这需要多种评估。
YOLO,在另一方面,帧检测作为回归问题,并统一物体检测的单独的部件成一个单一的神经网络。
它把输入图像分割为网格和每个网格单元预测一定数量与置信得分的框沿边界框。分数反映模型如何CON组fi凹痕是盒子包含对象并且还认为箱子是它预测多么准确。每个网格单元还预测条件类概率。
这是一个很多过程,我建议参照一些论文和文章,了解这种独特的方式的细微差别,因为它不可能覆盖所有在这个简短的视频。
因为它被认为是国家的最先进的技术,因为它使用一个单一的网络,是非常快的实时目标检测YOLO已经变得非常流行和重要。
即使你不熟悉,你可以开始使用YOLO V2与MATLAB这个例子公布®这解释了如何训练你的数据Yolov2对象检测器。
然后,使用GPU编码器™,可以生成优化的CUDA代码到目标NVIDIA®板像杰森一家泽维尔直接从MATLAB。
硬件支持包,您可以部署生成万博1manbetx的代码到特森和驱动平台,我们将在下面的演示中看到。
在这里,在MATLAB,我已经采取了训练的对象从探测器的例子作为我的出发点和我要测试图像上跑这里来推断。
事实上,我们进行了一个简单的测试比较YOLO V2的更快RCNN模型,你可以看到,YOLO v2是约25倍的速度在我的本地机器上这里。
现在,使用GPU编码器,我们将这个函数生成CUDA代码,并使用NVCC成MEX文件,编译它,所以我们可以在我的台式机上验证生成的代码。
你可以看到生成的MEX运行在每秒约80帧上,有一个泰坦XP的GPU我的桌面上这个视频文件。
请注意,这些都不是官方的基准数字,因为我有一些其他程序在后台同时运行,但是这应该给你的YOLO V2网络的性能的想法。
现在,使用硬件级支持包的NVIDIA GPU,我万博1manbetx可以从连接到我的杰特森泽维尔板相机获取实时数据,我们可以使用相同的生成MEX文件运行推论。
在这里,我使用从我的窗户俯瞰九号干线交通外的实时数据。
最后,我可以生成从这里我们的算法,需要从摄像头输入的代码,使用YOLO V2物体检测,并显示输出。
在生成NVIDIA硬件支持包支持代码生成万博1manbetx这些接口,并且一旦代码而建,我们可以运行可执行文件作为对杰特森泽维尔板独立的应用程序。
所以,我们必须使用YOLO V2这里运行的杰特森泽维尔独立,同时从连接到它的摄像头实时输入的实时目标检测。
从这个例子有几个外卖总结如下。您可以针对NVIDIA板像杰特森Xavier和驱动PX直接从MATLAB了简单的API,而无需编写任何代码CUDA。
请参阅视频下方的链接,了解更多关于硬件支持包,并找到在MATLAB多个对象检测的例子。万博1manbetx
您还可以选择从下面的列表中的网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。