使用YOLO v2进行目标检测的代码生成

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，然后是检测网络。中训练的网络生成代码使用YOLO v2深度学习的目标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深度学习的目标检测(计算机视觉工具箱)．中导入的网络可以修改此示例以生成CUDA®MEX导入预训练的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，第三方需求如下。

CUDA®启用NVIDIA®GPU和兼容驱动程序。

可选

对于非mex构建，例如静态、动态库或可执行文件，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(GPU编码器)而且设置必备产品下载188bet金宝搏(GPU编码器)．

检查GPU环境

使用coder.checkGpuInstall(GPU编码器)函数验证运行此示例所需的编译器和库是否正确设置。

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

预训练DAGNetwork

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

matFile = matlab.internal.examples.download金宝appSupportFile(“视觉/数据”，“yolov2ResNet50VehicleExample.mat”）;vehicleDetector = load(matFile);net = vehicledetector .detect . network

net = DAGNetwork with properties: 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函数。

analyzeNetwork(净);

的`yolov2_detect`入口点函数

的yolov2_detect.m入口点函数接受图像输入，并使用保存在中的深度学习网络在图像上运行检测器yolov2ResNet50VehicleExample.mat文件。方法加载网络对象yolov2ResNet50VehicleExample.mat文件转换为持久变量yolov2Obj并在后续的检测调用中重用持久对象。

类型(“yolov2_detect.m”）

版权所有2018-2021 The MathWorks, Inc. persistent yolov2Obj;if isempty(yolov2Obj) yolov2Obj = code . loaddeeplearningnetwork (matFile);调用检测方法[bboxes，~，labels] = yolov2Obj.detect(in，'Threshold'，0.5);将类别标签转换为单元格数组的字符向量标签= cellstr(标签);注释图像中的检测。outImg = insertObjectAnnotation(在，'矩形'，盒子，标签);

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GPU代码配置对象，并将目标语言设置为c++。使用编码器。DeepLearningConfig(GPU编码器)函数创建CuDNN深度学习配置对象，并将其分配给DeepLearningConfigGPU代码配置对象的属性。运行codegen命令指定输入大小为224 × 224 × 3。这个值对应YOLOv2的输入层大小。

cfg = code . gpuconfig (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

设置视频文件读取器，读取输入视频。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 =视觉。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(video ofreader);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

参考文献

雷蒙，约瑟夫和阿里·法哈蒂。“YOLO9000:更好、更快、更强。”2017年IEEE计算机视觉和模式识别会议。IEEE 2017。