trainACFObjectDetector
训练ACF对象检测器
描述
探测器= trainACFObjectDetector (trainingData）trainingData．该函数在训练过程中自动从图像中收集负面实例。要创建基本真值表，请使用图片标志或贴标签机视频应用程序。
探测器= trainACFObjectDetector (trainingData，名称=值）探测器使用一个或多个名称-值参数以及以前语法中的参数组合指定选项。例如,ObjectTrainingSize = [100100]设置训练期间对象的高度和宽度。
例子
列车停止标志检测器使用ACF对象检测器
使用trainACFObjectDetector与训练图像一起创建一个ACF对象检测器，可以检测到停止标志。用单独的图像测试检测器。
加载训练数据。
负载(“stopSignsAndCars.mat”）
为停止标志图像的完整路径加上前缀。
stopSigns = fullfile(toolboxdir(“愿景”)，“visiondata”stopSignsAndCars {: 1});
创建数据存储以加载停止标志的真实数据。
imds = imageDatastore(stopSigns);blds = boxLabelDatastore(stopSignsAndCars(:，2));
组合图像和框标签数据存储。
Ds = combine(imds,blds);
训练ACF检测器。设置每个阶段要使用的负样本数量为2．您可以通过指定关闭训练进度输出Verbose = false,作为一个名称-值论点。
acfDetector = trainACFObjectDetector(ds,NegativeSamplesFactor=2);
ACF对象检测器培训培训将分为4个阶段。模型尺寸为34x31。样本正面例子(~100%完成)计算近似系数…完成。计算聚合通道特性…已完成。-------------------------------------------- 阶段1:样本的负面例子(~ 100%)完成计算聚合通道特性…完成。用42个正例和84个反例训练分类器…完成。训练后的分类器有19个弱学习器。-------------------------------------------- 阶段2:样本负面例子(~ 100%完成)发现了84个新的负面例子进行训练。计算聚合通道特性…已完成。用42个正例和84个反例训练分类器…完成。 The trained classifier has 20 weak learners. -------------------------------------------- Stage 3: Sample negative examples(~100% Completed) Found 84 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 54 weak learners. -------------------------------------------- Stage 4: Sample negative examples(~100% Completed) Found 84 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 61 weak learners. -------------------------------------------- ACF object detector training is completed. Elapsed time is 34.2692 seconds.
在测试图像上测试ACF检测器。
Img = imread(“stopSignTest.jpg”）;[bboxes,scores] = detect(acfDetector,img);
显示检测结果，并在图像中插入对象的包围框。
为I = 1:length(scores) annotation = sprintf(“信心= %.1f”分数(i));img = insertObjectAnnotation(img，“矩形”bboxes(我:),注释);结束图imshow (img)
输入参数
trainingData- - - - - -标记地面真相
数据存储|表格
标记的基本值，指定为数据存储或表。
如果使用数据存储，则必须设置数据，以便使用
读而且readall函数返回至少有两列的单元格数组或表。下表描述了各列中包含的数据:图片 盒子 标签(可选) 灰度或RGB图像的单元向量。
米形式为[的包围框的-by-4矩阵x，y，宽度，高度]，其中[x,y]表示边界框的左上角坐标。
元素的单元格数组米-element包含对象类名的分类向量。数据存储返回的所有类别数据必须包含相同的类别。
提供此数据时，函数使用类标签填充
ModelName属性，指定为acfObjectDetector对象。否则，训练不需要类标签，因为ACF对象检测器是单个类检测器。如果使用表，则表必须有两个或多个列。表的第一列必须包含带有路径的映像文件名。图像必须是灰度或真彩色(RGB)，它们可以是任何格式支持金宝app
imread．其余每一列都必须是单元格向量，包含米-by-4表示单个对象类的矩阵，例如车辆，花,或停车标志．列包含的4元双数组米格式为[的包围框x，y，宽度，高度］．该格式指定了相应图像中左上角的位置和包围框的大小。要创建基本真值表，可以使用图片标志应用程序或贴标签机视频要根据生成的ground truth创建训练数据表，请使用objectDetectorTrainingData函数。
名称-值参数
指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名称-值参数必须出现在其他参数之后，但对的顺序无关紧要。
在R2021a之前，使用逗号分隔每个名称和值，并将其括起来的名字在报价。
例子:ObjectTrainingSize = [100100]设置训练期间对象的高度和宽度。
输出参数
版本历史
在R2017a中引入
您也可以从以下列表中选择一个网站: