rcnnObjectDetector

使用R-CNN深度学习检测器检测对象

展开全部页面

描述

的rcnnObjectDetectorobject使用R-CNN(带有卷积神经网络的区域)对象检测器从图像中检测对象。为了检测图像中的对象，将训练过的检测器传递给检测函数。为了对图像区域进行分类，将检测器传递给classifyRegions函数。

的使用rcnnObjectDetector需要统计和机器学习工具箱™和深度学习工具箱™。

当使用检测或classifyRegions功能与rcnnObjectDetector，使用CUDA^®使英伟达^®强烈推荐GPU。GPU显著减少了计算时间。GPU的使用需要并行计算工具箱™。有关受支持的计算功能的信息，请参见金宝appGPU计算要求(并行计算工具箱)．

创建

创建一个rcnnObjectDetector对象通过调用trainRCNNObjectDetector函数训练数据(需要深度学习工具箱)。

检测器= trainRCNNObjectDetector(trainingData，…)

属性

全部展开

`网络`- - - - - -系列网络对象
`SeriesNetwork`|`DAGNetwork`

表示卷积神经网络(CNN)的级数网络对象，指定为SeriesNetwork(深度学习工具箱)或DAGNetwork(深度学习工具箱)．该对象在R-CNN检测器中使用。

`RegionProposalFcn`- - - - - -海关区域方案
函数处理

自定义区域建议函数句柄，指定为函数名。自定义函数proposalFcn必须具有以下功能形式:

[bboxes,scores] = proposalFcn(I)

输入参数我是一个图像。函数中必须返回矩形包围框米4数组。每行bboxes包含一个四元素向量，[x，y，宽度，高度]，它指定边界框的左上角和大小(以像素为单位)。类中的每个包围框也必须返回一个分数米1的向量。分数越高，表示边界框更有可能包含一个对象。

`一会`- - - - - -对象类名
单元阵列

对象类名称，指定为单元格数组。该数组包含R-CNN检测器训练查找的对象类的名称。

`BoxRegressionLayer`- - - - - -边界框回归层
特征向量

此属性是只读的。

边界框回归层名称，指定为字符向量。属性在训练期间设置此属性BoxRegressionLayer的观点trainRCNNObjectDetector．

对象的功能

`检测`	使用R-CNN深度学习检测器检测对象
`classifyRegions`	利用R-CNN物体检测器对图像区域中的物体进行分类

例子

全部折叠

火车R-CNN停车标志探测器

这个例子使用了:

打开脚本

加载训练数据和网络层。

负载(“rcnnStopSigns.mat”，“stopSigns”，“层”）

将图像目录添加到MATLAB路径中。

imDir = fullfile(matlabroot，“工具箱”，“愿景”，“visiondata”，.．.“stopSignImages”）;目录(imDir);

将网络训练选项设置为使用32个小批量大小，以减少GPU内存占用。降低InitialLearningRate以降低网络参数更改的速率。在对预训练的网络进行微调时，这是有益的，可以防止网络变化过快。

选项= trainingOptions(“个”，.．.“MiniBatchSize”32岁的.．.“InitialLearnRate”1 e-6.．.“MaxEpochs”10);

训练R-CNN检测器。训练可能需要几分钟才能完成。

rcnn = trainRCNNObjectDetector(stopSigns, layers, options，“NegativeOverlapRange”， [0 0.3]);

******************************************************************* 培训一个R-CNN对象探测器以下对象类:* stopSign步骤1的3:从27日训练图像提取区域建议……。第三步中的第二步:训练神经网络对训练数据中的对象进行分类…|=========================================================================================| | 时代| |迭代时间| Mini-batch | Mini-batch |基地学习| | | | | | |精度损失速率(秒)  | |=========================================================================================| | 50 | 3 | 9.27 | 0.2895 | 96.88% | 0.000001 | | 100 | | 14.77 | 0.2443 | 93.75% | 0.000001 | | 150 | | 20.29 | 0.0013 | 100.00% | 0.000001 | | | 200 | | 0.000001 | 25.94 | 0.1524 | 96.88%|=========================================================================================| Network training complete. Step 3 of 3: Training bounding box regression models for each object class...100.00%...done. R-CNN training complete. *******************************************************************

在测试图像上测试R-CNN检测器。

Img = imread(“stopSignTest.jpg”）;[bbox, score, label] = detect(rcnn, img，“MiniBatchSize”、32);

显示最强检测结果。

[score, idx] = max(score);Bbox = Bbox (idx，:);注释= sprintf('%s:(可信度= %f)'， label(idx)， score);detectedImg = insertObjectAnnotation(img，“矩形”， bbox，注释);图imshow (detectedImg)

从路径中删除映像目录。

rmpath (imDir);

恢复训练R-CNN对象检测器

这个例子使用了:

打开脚本

使用附加数据恢复训练R-CNN对象检测器。为了说明这个过程，一半的地面真相数据将用于初始训练探测器。然后，使用所有数据恢复训练。

加载训练数据并初始化训练选项。

负载(“rcnnStopSigns.mat”，“stopSigns”，“层”) stopSigns。imageFilename = fullfile(toolboxdir(“愿景”)，“visiondata”，.．.stopSigns.imageFilename);选项= trainingOptions(“个”，.．.“MiniBatchSize”32岁的.．.“InitialLearnRate”1 e-6.．.“MaxEpochs”10.．.“详细”、假);

用部分真实信息训练R-CNN检测器。

rcnn = trainRCNNObjectDetector(stopSigns(1:10，:)，图层，选项，“NegativeOverlapRange”， [0 0.3]);

从检测器获得训练好的网络层。当您将网络层数组传递给trainRCNNObjectDetector在美国，他们被原样用于继续培训。

网络= rcnn.Network;层=网络。层;

使用所有培训数据恢复培训。

rcnnFinal = trainRCNNObjectDetector(stopSigns, layers, options);

创建用于多类R-CNN对象检测的网络

这个例子使用了:

打开实时脚本

为两个对象类(狗和猫)创建R-CNN对象检测器。

objectClasses = {“狗”，“猫”}；

该网络必须能够对狗、猫和“背景”类进行分类，以便进行训练trainRCNNObjectDetector．在本例中，添加了一个one来包含背景。

numClassesPlusBackground = numel(objectClasses) + 1;

网络的最后一层全连接层定义了网络可以分类的类的数量。将最终的全连接层设置为输出大小等于类的数量加上一个背景类。

层= [.．.imageInputLayer([28 28 1]) convolution2dLayer(5,20) fullyConnectedLayer(numClassesPlusBackground);classificationLayer softmaxLayer () ()];

这些网络层现在可以用来训练R-CNN两类对象检测器。

在R-CNN对象检测器中使用保存的网络

这个例子使用了:

打开脚本

创建R-CNN对象检测器，并将其设置为使用已保存的网络检查点。在网络训练期间，每个纪元都会保存一个网络检查点trainingOptions设置“CheckpointPath”参数。如果您的培训课程意外终止，网络检查点非常有用。

加载停止标志训练数据。

负载(“rcnnStopSigns.mat”，“stopSigns”，“层”）

为映像文件添加完整路径。

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

属性设置“CheckpointPath”trainingOptions函数。

checkpointLocation = tempdir;选项= trainingOptions(“个”，“详细”假的,.．.“CheckpointPath”, checkpointLocation);

用一些图像训练R-CNN对象检测器。

rcnn = trainRCNNObjectDetector(stopSigns(1:3，:)，图层，选项);

加载一个保存的网络检查点。

wildcardFilePath = fullfile(checkpointLocation，“convnet_checkpoint__ * .mat”）;contents = dir(wildcardFilePath);

加载其中一个检查点网络。

Filepath = fullfile(contents(1).folder,contents(1).name);检查点=加载(文件路径);checkpoint.net

ans = SeriesNetwork with properties: Layers: [15×1 nnet.cnn.layer.Layer]

创建一个新的R-CNN对象检测器，并将其设置为使用保存的网络。

rcnnCheckPoint = rcnnObjectDetector();rcnnCheckPoint。RegionProposalFcn = @ rcnnobjectdetector . proseregions;

将Network设置为保存的网络检查点。

rcnnCheckPoint。网络= checkpoint.net

rcnnCheckPoint = rcnnObjectDetector with properties: Network: [1×1 SeriesNetwork] ClassNames: {'stopSign' 'Background'} RegionProposalFcn: @rcnnObjectDetector. proseregions