我有一个自定义数据集有4类和我使用MATLAB中的例子文档YOLov4对象检测。我不能够获得精确的情节。

17日视图(30天)

显示旧的评论

Atishay耆那教徒的 2023年3月25日

0
链接

这个问题直接联系

//www.tianjin-qmedu.com/matlabcentral/answers/1935014-i-have-a-custom-dataset-with-4-classes-and-i-m-using-the-example-given-in-matlab-documentation-for-y

回答: Shubham 2023年4月3日

                          data =负载(“train.mat”);
                         
                          defectDataset = data.gTruth;
                         
                          rng (“默认”);
                         
                          shuffledIndices = randperm(高度(defectDataset));
                         
                          地板idx =(0.6 *长度(shuffledIndices));
                         
                          trainingIdx = 1: idx;
                         
                          trainingDataTbl = defectDataset (shuffledIndices (trainingIdx):);
                         
                          validationIdx = idx + 1: idx + 1 +地板(0.1 *长度(shuffledIndices));
                         
                          validationDataTbl = defectDataset (shuffledIndices (validationIdx):);
                         
                          testIdx = validationIdx(结束)+ 1:长度(shuffledIndices);
                         
                          testDataTbl = defectDataset (shuffledIndices (testIdx):);
                         
                          defectDataset。defectDataset.imageFilename imageFilename = fullfile (pwd);
                         
                          imdsTrain = imageDatastore (trainingDataTbl {:,“imageFilename”});
                         
                          bldsTrain = boxLabelDatastore (trainingDataTbl (:,“洞”,“竹节”,“污点”,“结”)));
                         
                          imdsValidation = imageDatastore (validationDataTbl {:,“imageFilename”});
                         
                          bldsValidation = boxLabelDatastore (validationDataTbl (:,“洞”,“竹节”,“污点”,“结”)));
                         
                          imdsTest = imageDatastore (testDataTbl {:,“imageFilename”});
                         
                          bldsTest = boxLabelDatastore (testDataTbl (:,“洞”,“竹节”,“污点”,“结”)));
                         
                          trainingData =结合(imdsTrain bldsTrain);
                         
                          validationData =结合(imdsValidation bldsValidation);
                         
                          testData =结合(imdsTest bldsTest);
                         
                          data =阅读(trainingData);
                         
                          我={1}数据;
                         
                          bbox ={2}数据;
                         
                          标签={3}数据;
                         
                          annotatedImage = insertObjectAnnotation(我“矩形”bbox,标签);
                         
                          annotatedImage = imresize (annotatedImage 2);
                         
                          图
                         
                          imshow (annotatedImage)
                         
                          inputSize = (608 608 3);
                         
                          className = [“洞”,“竹节”,“污点”,“结”];
                         
                          rng (“默认”)
                         
                          trainingDataForEstimation =变换(trainingData @(数据)preprocessData(数据、inputSize));
                         
                          numAnchors = 9;
                         
                          [锚,meanIoU] = estimateAnchorBoxes (trainingDataForEstimation numAnchors);
                         
                          面积=锚(:1)。*锚(:,2);
                         
                          [~,idx] =排序(区域,“下”);
                         
                          锚=锚(idx:);
                         
                          :anchorBoxes ={锚(1:3)
                         
                          主持人(4:6 -:)
                         
                          主持人(七章,:)
                         
                          };
                         
                          探测器= yolov4ObjectDetector (“csp-darknet53-coco”、名称、anchorBoxes InputSize = InputSize);
                         
                          augmentedTrainingData =变换(trainingData @augmentData);
                         
                          augmentedData =细胞(4,1);
                         
                          为k = 1:4
                         
                          data =阅读(augmentedTrainingData);
                         
                          augmentedData {k} = insertShape(数据{1},“矩形”、数据{2});
                         
                          重置(augmentedTrainingData);
                         
                          结束
                         
                          图
                         
                          蒙太奇(augmentedData BorderSize = 10)
                         
                          选择= trainingOptions (“亚当”,…
                         
                          GradientDecayFactor = 0.9,…
                         
                          SquaredGradientDecayFactor = 0.999,…
                         
                          InitialLearnRate = 0.001,…
                         
                          LearnRateSchedule =“没有”,…
                         
                          MiniBatchSize = 8,…
                         
                          L2Regularization = 0.0005,…
                         
                          MaxEpochs = 20,…
                         
                          BatchNormalizationStatistics =“移动”,…
                         
                          DispatchInBackground = true,…
                         
                          ResetInputNormalization = false,…
                         
                          洗牌=“every-epoch”,…
                         
                          VerboseFrequency = 20,…
                         
                          ValidationFrequency = 1000,…
                         
                          CheckpointPath = tempdir,…
                         
                          ValidationData = ValidationData);
                         
                          doTraining = false;
                         
                          如果doTraining
                         
                          %训练YOLO v4意思探测器。
                         
                          [探测器,信息]= trainYOLOv4ObjectDetector (augmentedTrainingData、探测器、期权);
                         
                          其他的
                         
                          %负载pretrained检测器的例子。
                         
                          探测器= downloadPretrainedYOLOv4Detector ();
                         
                          结束
                         
                          %检测对象在测试数据使用训练或pretrained探测器。
                         
                          testData detectionResults =检测(探测器);
                         
                          %评估检测性能。
                         
                          [据美联社、召回、精密]= evaluateDetectionPrecision (detectionResults testData);
                         
                          %绘制precision-recall曲线。
                         
                          图
                         
                          情节(记得,精度)
                         
                          包含(“回忆”起)
                         
                          ylabel (“精度”)
                         
                          网格在
                         
                          标题(sprintf (“平均精度= % .2f”据美联社)),
                         
                          %显示检测结果在测试图像
                         
                          resultsDir = fullfile (pwd,“detection_results”);
                         
                          mkdir (resultsDir);
                         
                          为i = 1:元素个数(testDataTbl.imageFilename)
                         
                          我= imread (testDataTbl.imageFilename{我});
                         
                          我= insertObjectAnnotation (,“矩形”detectionResults (i)。盒子,detectionResults (i) .Scores);
                         
                          imwrite(我fullfile (resultsDir [num2str(我)“jpg”)));
                         
                          结束
                         
                          函数targetSize data = preprocessData(数据)
                         
                          %改变图像的大小和规模在0和1之间的像素。同时规模
                         
                          %相应的边界框。
                         
                          为2 = 1:尺寸(数据,1)
                         
                          我= {ii, 1}数据;
                         
                          imgSize =大小(I);
                         
                          bboxes = {ii, 2}数据;
                         
                          我= im2single (imresize(我targetSize (1:2)));
                         
                          规模= targetSize (1:2)。/ imgSize (1:2);
                         
                          bboxes = bboxresize (bboxes、规模);
                         
                          数据(ii, 1:2) ={我bboxes};
                         
                          结束
                         
                          结束
                         
                          函数探测器= downloadPretrainedYOLOv4Detector ()
                         
                          %下载pretrained yolov4探测器。
                         
                          如果~ (“yolov4CSPDarknet53VehicleExample_22a.mat”,“文件”)
                         
                          如果~ (“yolov4CSPDarknet53VehicleExample_22a.zip”,“文件”)
                         
                          disp (“下载pretrained探测器……”);
                         
                          pretrainedURL =“https://ssd.mathworks.com/万博1manbetxsupportfiles/vision/data/yolov4CSPDarknet53VehicleExample_22a.zip”;
                         
                          websave (“yolov4CSPDarknet53VehicleExample_22a.zip”,pretrainedURL);
                         
                          结束
                         
                          解压缩(“yolov4CSPDarknet53VehicleExample_22a.zip”);
                         
                          结束
                         
                          pretrained =负载(“yolov4CSPDarknet53VehicleExample_22a.mat”);
                         
                          探测器= pretrained.detector;
                         
                          结束
                         
                          函数data = augmentData (A)
                         
                          %应用随机水平翻转,和随机的X / Y缩放。盒子,
                         
                          %比例范围以外剪如果重叠高于0.25。同时,
                         
                          %抖动图像颜色。
                         
                          data =细胞(大小(A));
                         
                          为2 = 1:尺寸(1)
                         
                          我= {ii, 1};
                         
                          bboxes = {ii, 2};
                         
                          标签= {ii, 3};
                         
                          深圳=大小(I);
                         
                          如果元素个数(深圳)= = 3 & &深圳(3)= = 3
                         
                          我= jitterColorHSV (,…
                         
                          对比= 0.0,…
                         
                          色调= 0.1,…
                         
                          饱和= 0.2,…
                         
                          亮度= 0.2);
                         
                          结束
                         
                          %随机翻转图像。
                         
                          tform = randomAffine2d (XReflection = true,规模= 1.1 [1]);
                         
                          溃败= affineOutputView(深圳、tform BoundsStyle =“centerOutput”);
                         
                          I = imwarp(我tform OutputView =溃败);
                         
                          %应用相同的转换盒。
                         
                          [bboxes,指数]= bboxwarp (bboxes、tform溃败,OverlapThreshold = 0.25);
                         
                          标签=标签(指标);
                         
                          %返回原始数据只有当所有盒子都被扭曲。
                         
                          如果isempty(指数)
                         
                          数据(ii):) = (ii):);
                         
                          继续;
                         
                          结束
                         
                          数据(ii):) ={我bboxes标签};
                         
                          结束
                         
                          结束
                         
                             未被认出的字段名“gTruth”。

0评论
显示1年长的评论藏1年长的评论

登录置评。

在回答这个问题。

答案(1)

Shubham 2023年4月3日

0
链接

直接链接到这个答案

//www.tianjin-qmedu.com/matlabcentral/answers/1935014-i-have-a-custom-dataset-with-4-classes-and-i-m-using-the-example-given-in-matlab-documentation-for-y answer_1207204

嗨Atishay,

获取精确的情节在MATLAB定制YOLOv4对象检测模型,您可以按照以下步骤:

首先,你需要训练你的YOLOv4模型自定义数据集。您可以使用MATLAB代码示例作为起点和修改它根据你的数据集。
训练后的模型,您可以使用evaluateDetectionPrecision函数获取精度指标。此函数接受地面实况数据和检测到的数据作为输入,并返回的精度指标。
获取精密策划,您可以使用plotDetectionPrecision函数。这个函数的输出evaluateDetectionPrecision函数作为输入和情节的精度指标。

这里有一个例子代码片段展示了如何获得精密的情节:

                              %加载地面实况数据和检测数据
                             
                              负载(“groundTruthData.mat”);
                             
                              负载(“detectedData.mat”);
                             
                              %评估检测精度
                             
                              指标= evaluateDetectionPrecision (detectedData groundTruthData);
                             
                              %绘制精度
                             
                              plotDetectionPrecision(指标);