主要内容

boxLabelDatastore

用于边界框标签数据的数据存储

自从R2019b

全部展开页面

描述

的boxLabelDatastore对象为边界框标签数据创建数据存储。使用此对象读取标记的边界框数据以进行对象检测。

中读取边界框标签数据boxLabelDatastore对象，则使用读函数。这个对象函数返回一个有两列或三列的单元格数组。可以创建一个数据存储boxLabelDatastore对象ImageDatastore对象。结合对象的功能。使用组合数据存储来使用训练函数训练对象检测器，例如trainYOLOv2ObjectDetector和trainFasterRCNNObjectDetector．您可以使用对象函数访问和管理数据存储中的数据。要修改ReadSize属性时，可以使用点表示法。

创建

语法

blds = boxLabelDatastore(tbl1，…，tbln)
blds = boxLabelDatastore(tbl1，…，tbln,bSet)

描述

例子

建筑物= boxLabelDatastore (tbl1,…,tbln）创建一个boxLabelDatastore对象从一个或多个包含带标签的边界框数据的表中获取。

建筑物= boxLabelDatastore (tbl1、……tbln，bSet）创建一个boxLabelDatastore对象bigimage数据通过使用由块位置指定的分辨率级别、块大小和块位置bSet．

输入参数

全部展开

标记的边界框数据，指定为具有一个或多个列的表。每个表对应一组标签。边界框可以是轴对齐的矩形、旋转的矩形或长方体。下表描述了边界框的格式。

边界框 描述
Axis-aligned矩形

在空间坐标中定义为an米-乘4的数字矩阵，行形式为[xywh),地点:

  • 米是与轴对齐的矩形的个数。

  • x和y指定矩形的左上角。

  • w指定矩形的宽度，即矩形沿x设在。

  • h指定矩形的高度，即矩形沿y设在。
旋转的矩形

在空间坐标中定义为an米-乘5的数字矩阵，行形式为[xctryctrxlenylen偏航),地点:

  • 米是旋转矩形的个数。

  • xctr和yctr指定矩形的中心。

  • xlen指定矩形的宽度，即矩形沿x-轴旋转前。

  • ylen指定矩形的高度，即矩形沿y-轴旋转前。

  • 偏航指定以度为单位的旋转角度。围绕边界框中心的旋转是顺时针正方向的。

旋转-30度的正方形矩形。
长方体

在空间坐标中定义为an米-乘9的数字矩阵，行形式为[xctryctrzctrxlenylenzlenxrotyrotzrot),地点:

  • 米是长方体的个数。

  • xctr，yctr,zctr指定长方体的中心。

  • xlen，ylen,zlen指定长方体沿的长度x设在,y设在,z-轴，分别旋转。

  • xrot，yrot,zrot指定长方体围绕的旋转角度x设在,y设在,z分别设在。的xrot，yrot,zrot绕长方体中心旋转的角度以度为单位。相对于相关空间轴的正方向，每次旋转都是顺时针正的。函数计算旋转矩阵，假设ZYX股票阶欧拉角[xrotyrotzrot]。

图中显示了这些值如何确定长方体的位置。
预计长方体

米- × 8向量的形式[x1, y1, w1, h1, x2, y2, w2, h2],地点:

  • 米是帧中标签的个数。

  • (x1, y1)指定了x，y投影长方体正面左上角位置的坐标

  • w1指定投影长方体正面的宽度。

  • h1指定投影长方体正面的高度。

  • x2, y2指定了x，y投影长方体背面左上角位置的坐标。

  • w2指定投影长方体背面的宽度。

  • h2指定投影长方体背面的高度。

图中显示了这些值如何确定长方体的位置。

标记投影长方体

  • 有一列或多列的表:

    所有列都包含边界框。每一列必须是一个单元格向量，包含米——- - - - - -N矩阵。米图像的数量和N表示单个对象类，例如stopSign，carRear,或carFront．

  • 有两列的表。

    第一列包含边界框。第二列必须是包含每个边界框对应的标签名称的单元格向量。单元格向量中的每个元素必须是米-by-1分类向量或字符串向量，其中米表示标签的数量。

创建一个基本真值表，使用图片标志或贴标签机视频要从生成的地面真值创建训练数据表，请使用objectDetectorTrainingData函数。

数据类型:表格

块位置，指定为blockLocationSet对象。方法创建该对象balanceBoxLabels函数。

属性

全部展开

该属性是只读的。

标记的边界框数据，指定为N的- × 2单元矩阵N图像。第一列必须是包含边界框的单元格向量。单元格中的每个元素都包含一个矢量，表示轴向对齐的矩形、旋转的矩形或长方体。第二列必须是包含每个边界框对应的标签名称的单元格向量。一个米-by-1分类向量表示每个标签名称。

边界框描述

边界框 细胞向量 格式
Axis-aligned矩形 米4对米边界框 (x，y，宽度，高度］
旋转的矩形 米5对米边界框 (xcenter，ycenter，宽度，高度，偏航］
长方体 米9的米边界框 (xcenter，ycenter，zcenter，宽度，高度，深度，处方，变化中，rz］
预计长方体 米- × 8向量米边界框 (x1，日元，w1，h1，x2，y2，w2，h2］

方法调用时要读取的标签数据的最大行数读函数，指定为正整数。

对象的功能

结合 合并来自多个数据存储的数据
countEachLabel 计数像素或框标签的出现次数
hasdata 确定是否可以从数据存储中读取数据
numpartitions 数据存储的分区数
分区 对标签数据存储进行分区
预览 读取数据存储中的第一行数据
进步 从数据存储读取数据的百分比
读 从数据存储读取数据
readall 读取数据存储中的所有数据
重置 将数据存储重置为初始状态
洗牌 返回数据存储的打乱版本
子集 创建数据存储或文件集的子集
变换 变换数据存储
isPartitionable 确定数据存储是否可分区
isShuffleable 确定数据存储是否可洗牌

例子

全部折叠

这个例子使用:

打开实时脚本

这个例子展示了如何使用包含训练数据的表来估计锚框。第一列包含训练图像，其余列包含标记的边界框。

Data = load()“vehicleTrainingData.mat”);trainingData = data.vehicleTrainingData;

创建一个boxLabelDatastore对象，使用训练数据中的标记边界框。

blds = boxLabelDatastore(trainingData(:，2:end));

估计锚盒使用boxLabelDatastore对象。

numAnchors = 5;anchorBoxes = estimateAnchorBoxes(blds, nummanchors);

指定图像大小。

inputImageSize = [128,228,3];

指定要检测的类的数量。

numClasses = 1;

使用预训练好的ResNet-50网络作为YOLO v2网络的基础网络。

网络= resnet50();

指定用于特征提取的网络层。你可以使用analyzeNetwork函数查看网络中的所有层名。

featureLayer =“activation_49_relu”；

创建YOLO v2目标检测网络

lgraph = yolov2Layers(inputImageSize,numClasses,anchorBoxes,network, featureLayer)
lgraph = LayerGraph with properties: Layers: [182×1 nnet.cnn.layer.Layer] Connections: [197×2 table] InputNames: {'input_1'} OutputNames: {'yolov2OutputLayer'}

使用网络分析器可视化网络。

analyzeNetwork (lgraph)
打开实时脚本

加载一个包含带标签的边界框的车辆类训练数据表。

Data = load()“vehicleTrainingData.mat”);trainingData = data.vehicleTrainingData;

将完整路径添加到本地车辆数据文件夹中。

dataDir = fullfile(toolboxdir)“愿景”）,“visiondata”);trainingData。imageFilename = fullfile(dataDir,trainingData.imageFilename);

创建一个imageDatastore对象使用表中的文件名。

imds = imageDatastore(trainingData.imageFilename);

创建一个boxLabelDatastore对象使用带有标签数据的表。

blds = boxLabelDatastore(trainingData(:，2:end));

结合imageDatastore和boxLabelDatastore对象。

CDS = combine(imds,blds);

阅读训练数据。使用读对象函数返回图像、边界框和标签。

读(cds)
ans =1×3单元阵列{128x228x3 uint8} {[126 78 20 16]} {[vehicle]}
打开实时脚本

加载一个包含带标签的边界框的车辆类训练数据表。

负载(“vehicleTrainingData.mat”);

加载一个包含带有标签的边界框的停车标志和汽车类训练数据表。

负载(“stopSignsAndCars.mat”);

根据训练数据创建基础真值表。

vehiclesTbl = vehicleTrainingData(:，2:end);stopSignsTbl = stopSignsAndCars(:，2:end);

创建一个boxLabelDatastore对象，使用两个表:一个表包含车辆标签数据，另一个表包含停车标志和汽车标签数据。

blds = boxLabelDatastore(vehiclesTbl,stopSignsTbl);

创建一个imageDatastore对象，使用训练数据表中的文件名。

dataDir = fullfile(toolboxdir)“愿景”）,“visiondata”);vehicleFiles = fullfile(dataDir,vehicleTrainingData.imageFilename);stopSignFiles = fullfile(dataDir,stopSignsAndCars.imageFilename);imds = imageDatastore([vehicleFiles;stopSignFiles]);

结合imageDatastore和boxLabelDatastore对象。

CDS = combine(imds,blds);

阅读训练数据。使用读对象函数返回图像、边界框和标签。

读(cds)
ans =1×3单元阵列{128x228x3 uint8} {[126 78 20 16]} {[vehicle]}

版本历史

在R2019b中引入

全部展开

另请参阅

应用程序

功能

对象

主题