基于YOLO v2的目标检测代码生成

这个例子使用了:

打开实时脚本

这个例子展示了如何为你只看一次(YOLO) v2对象检测器生成CUDA®MEX。YOLO v2目标检测网络由两个子网络组成。特征提取网络和检测网络。类中训练的网络生成代码使用YOLO v2深度学习的对象检测示例来自计算机视觉工具箱™。有关更多信息，请参见使用YOLO v2深度学习的对象检测(计算机视觉工具箱)．您可以修改此示例，为导入的网络生成CUDA®MEX导入预先训练的ONNX YOLO v2对象检测器示例来自计算机视觉工具箱™。有关更多信息，请参见导入预先训练的ONNX YOLO v2对象检测器(计算机视觉工具箱)．

第三方的先决条件

要求

本例生成CUDA MEX，并具有以下第三方需求。

CUDA®支持NVIDIA®GPU和兼容的驱动程序。

可选

对于非mex构建，如静态、动态库或可执行程序，此示例具有以下附加要求。

英伟达工具包。
NVIDIA cuDNN库。
编译器和库的环境变量。有关更多信息，请参见第三方硬件而且设置必备产品s manbetx 845．

验证GPU环境

使用coder.checkGpuInstall函数来验证运行此示例所需的编译器和库是否已正确设置。

envCfg = code . gpuenvconfig (“主机”）;envCfg。DeepLibTarget =“cudnn”；envCfg。DeepCodegen = 1;envCfg。安静= 1;coder.checkGpuInstall (envCfg);

获得DAGNetwork的预培训

此示例使用yolov2ResNet50VehicleExample包含预训练网络的mat文件。该文件的大小约为98MB。从MathWorks网站下载该文件。

matFile = matlab.internal.examples.download万博1manbetxSupportFile(“视觉/数据”，“yolov2ResNet50VehicleExample.mat”）;vehicle - detector = load(matFile);net = vehicle .检测器

net = DAGNetwork属性:Layers: [150×1 nnet.cnn.layer.Layer] Connections: [162×2 table] InputNames: {'input_1'} OutputNames: {'yolov2OutputLayer'}

DAG网络包含150层，包括卷积层、ReLU层和批处理归一化层以及YOLO v2转换层和YOLO v2输出层。要显示深度学习网络体系结构的交互式可视化，请使用analyzeNetwork(深度学习工具箱)函数。

analyzeNetwork(净);

的`yolov2_detect`入口点函数

的yolov2_detect.m入口点函数接受一个图像输入，并使用保存在yolov2ResNet50VehicleExample.mat文件。对象加载网络对象yolov2ResNet50VehicleExample.mat文件到一个持久变量yolov2Obj并在后续的检测调用中重用持久对象。

类型(“yolov2_detect.m”）

function outImg = yolov2_detect(in,matFile) %版权所有if isempty(yolov2Obj) yolov2Obj = code . loaddeeplearningnetwork (matFile);end %调用检测方法[bboxes，~，labels] = yolov2Obj.detect(in，'Threshold'，0.5);将分类标签转换为字符向量的单元格数组标签= cellstr(标签);注释图像中的检测。outImg = insertObjectAnnotation(in，'rectangle'，bboxes,labels);

运行MEX代码生成

要为入口点函数生成CUDA代码，需要为MEX目标创建一个GPU代码配置对象，并将目标语言设置为c++。使用编码器。DeepLearningConfig函数来创建CuDNN的深度学习配置对象，并将其分配给DeepLearningConfig属性的图形处理器代码配置对象。运行codegen命令，指定输入大小为224 * 224 * 3。该值对应YOLOv2的输入层大小。

cfg = code .gpu config (墨西哥人的）;cfg。TargetLang =“c++”；cfg。DeepLearningConfig =编码器。DeepLearningConfig (“cudnn”）;cfg。GenerateReport = true;inputArgs = {ones(224,224,3，“uint8”), coder.Constant (matFile)};codegen配置cfgyolov2_detectarg游戏inputArgs

代码生成成功:查看报告

运行生成的MEX

设置视频文件阅读器，读取输入的视频。创建一个视频播放器来显示视频和输出检测。

videoFile =“highway_lanechange.mp4”；videoFreader =视觉。VideoFileReader(videoFile,“VideoOutputDataType”，“uint8”）;depVideoPlayer = vision.DeployableVideoPlayer (“大小”，“自定义”，“CustomSize”480年[640]);

逐帧读取视频输入，使用检测器检测视频中的车辆。

cont = ~isDone(videoFreader);而cont I = step(videoFreader);in = imresize(I，[224,224]);out = yolov2_detect_mex(in,matFile);步骤(depVideoPlayer);%如果视频播放器图形窗口关闭，则退出循环cont = ~isDone(videoFreader) && isOpen(depVideoPlayer);结束