主要内容

boxLabelDatastore

边界框标签数据的数据存储

展开全部页面

描述

的boxLabelDatastore对象为边界框标签数据创建一个数据存储。使用此对象读取标记的包围框数据以进行对象检测。

从控件中读取包围框标签数据boxLabelDatastore对象时，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。类型的数据存储boxLabelDatastore对象的ImageDatastore对象使用结合对象的功能。使用组合的数据存储来使用诸如训练函数来训练对象检测器trainYOLOv2ObjectDetector而且trainFasterRCNNObjectDetector．可以使用对象函数访问和管理数据存储中的数据。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对象从包含标记包围框数据的一个或多个表中获取。

建筑物= boxLabelDatastore (tbl1、……tbln，bSet）创建一个boxLabelDatastore对象的bigimage数据通过使用分辨率级别、块大小和块位置所指定的块位置bSet．

输入参数

全部展开

带标签的包围框数据，指定为具有一列或多列的表。每个表对应一组标签。包围框可以是轴对齐的矩形、旋转的矩形或长方体。包围框的格式如下表所示。

边界框 描述
Axis-aligned矩形

在空间坐标中定义为米-by-4数字矩阵，行形式为[xywh),地点:

  • 米是轴对齐矩形的数量。

  • x而且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米-by-5数字矩阵，行形式为[xctryctrxlenylen偏航),地点:

  • 米是旋转矩形的个数。

  • xctr而且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。

  • 偏航以角度为单位指定旋转角度。围绕包围框中心的旋转是顺时针正的。

方形矩形旋转了-30度。
长方体

在空间坐标中定义为米-by-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，分别在旋转前。

  • 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旋转角度以围绕长方体中心的角度为单位。每个旋转相对于相关空间轴的正方向是顺时针正的。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决定长方体的位置。
预计长方体

米这个形式的- × 8向量[x1, y1, w1, h1, x2, y2, w2, h2],地点:

  • 米是帧中标签的数量。

  • (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投影长方体背面的左上角位置的坐标。

  • 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决定长方体的位置。

标记投影长方体

  • 列表:有一个或多个列的表:

    所有列都包含边界框。每一列必须是单元格向量，包含米——- - - - - -N矩阵。米是图像的数量和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。第二列必须是单元格向量，其中包含与每个包围框对应的标签名称。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。

要创建基本真值表，请使用图片标志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。

数据类型:表格

块位置，指定为blockLocationSet对象。属性可以创建此对象balanceBoxLabels函数。

属性

全部展开

此属性是只读的。

标记的包围框数据，指定为N的单元矩阵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表示轴对齐矩形、旋转矩形或长方体的向量。第二列必须是单元格向量，其中包含与每个包围框对应的标签名称。一个米-by-1分类向量表示每个标签名。

包围框说明

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-乘8向量米边界框 ［x1，日元，w1，h1，x2，y2，w2，h2］

对象的每次调用中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 组合来自多个数据存储的数据
countEachLabel 计数出现像素或框标签
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 划分标签数据存储
预览 读取数据存储中的第一行数据
进步 从数据存储中读取的数据百分比
读 从数据存储中读取数据
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 返回打乱的数据存储版本
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

这个例子使用了:

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，其余列包含标记的包围框。

数据=负载(“vehicleTrainingData.mat”）;trainingData = data.vehicleTrainingData;

创建一个boxLabelDatastore对象使用来自训练数据的标记包围框。

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

估计锚框使用boxLabelDatastore对象。

numAnchors = 5;锚定箱= estimateAnchorBoxes(blds,numAnchors);

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。您可以使用analyzeNetwork函数查看网络中的所有层名。

featureLayer =“activation_49_relu”；

创建YOLO v2对象检测网络。

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

加载包含带标签的边界框的车辆类别训练数据表。

数据=负载(“vehicleTrainingData.mat”）;trainingData = data.vehicleTrainingData;

将全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使用表中的文件名初始化。

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而且boxLabelDatastore对象。

CDS = combine(imds,blds);

阅读训练数据。使用读对象函数返回图像、包围框和标签。

读(cds)
ans =1×3单元格数组{128x228x3 uint8}{[126 78 20 16]}{[车辆]}
打开实时脚本

加载包含带标签的边界框的车辆类别训练数据表。

负载(“vehicleTrainingData.mat”）;

加载一个包含停车标志和汽车类别训练数据的表，其中包含带标签的边界框。

负载(“stopSignsAndCars.mat”）;

根据训练数据创建ground truth表。

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

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

blds = boxLabelDatastore(vehiclesTbl,stopSignsTbl);

创建一个imageDatastore使用训练数据表中的文件名创建。

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

结合imageDatastore而且boxLabelDatastore对象。

CDS = combine(imds,blds);

阅读训练数据。使用读对象函数返回图像、包围框和标签。

读(cds)
ans =1×3单元格数组{128x228x3 uint8}{[126 78 20 16]}{[车辆]}

版本历史

R2019b引入

全部展开

另请参阅

应用程序

功能

对象

主题