单次多盒检测器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SSD网络(ssdObjectDetector对象)生成CUDA®代码，并利用NVIDIA®cuDNN和TensorRT库。SSD网络基于前馈卷积神经网络，可以在单个镜头中检测图像中的多个对象。SSD网络可以认为有两个子网络。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SSD深度学习进行对象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SSD深度学习进行对象检测．的使用SSD深度学习进行对象检测示例使用ResNet-50进行特征提取。与特征提取网络相比，检测子网是一个较小的CNN，由几个卷积层和SSD特定的层组成。

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);

获得预训练的DAG网络

本例使用ssdResNet50VehicleExample_20amat文件，包含预训练的SSD网络。该文件大小约为44 MB。从MathWorks网站下载该文件。

ssdNetFile = matlab.internal.examples.download金宝appSupportFile(“视觉/数据”，“ssdResNet50VehicleExample_20a.mat”）;

DAG网络包含180层，包括卷积层、ReLU层、批归一化层、锚盒层、SSD合并层、焦损层等。要显示深度学习网络体系结构的交互式可视化，请使用analyzeNetwork(深度学习工具箱)函数。

analyzeNetwork(净);

的`ssdObj_detect`入口点函数

的ssdObj_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ssdResNet50VehicleExample_20a.mat文件。方法加载网络对象ssdResNet50VehicleExample_20a.mat文件转换为持久变量ssdObj并在后续的检测调用中重用持久对象。

类型(“ssdObj_detect.m”）

function outImg = ssdObj_detect(in,matFile) %版权所有if isempty(ssdObj) ssdObj = code . loaddeeplearningnetwork (matFile);Pass in input [bboxes，~，labels] = detect(ssdObj,in，'Threshold'，0.5);将类别标签转换为字符向量的单元格数组%执行标签= cellstr(标签);注释图像中的检测。if ~isempty(labels) outImg = insertObjectAnnotation(in，'rectangle'，bboxes,labels);else outImg = in;结束

运行MEX代码生成

生成CUDA代码ssdObj_detect.m入口点函数，为MEX目标创建GPU代码配置对象，并设置目标语言为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300 × 300 × 3的输入大小。该值对应“SSD Network”的输入层大小。

cfg = code . gpuconfig (墨西哥人的）;cfg。TargetLang =“c++”；cfg。DeepLearningConfig =编码器。DeepLearningConfig (“cudnn”）;inputArgs = {ones(300,300,3，“uint8”), coder.Constant (ssdNetFile)};codegen配置cfgssdObj_detectarg游戏inputArgs报告

代码生成成功:查看报告

运行生成的MEX

为了测试生成的MEX，该示例使用一个包含295张图像的小型车辆数据集。这些图片大多来自加州理工学院汽车1999年和2001年的数据集，由Pietro Perona创建并获得许可使用。

加载车辆数据集，随机选择10张图像来测试生成的代码。

解压缩vehicleDatasetImages.zipimageNames = dir(fullfile(pwd，“vehicleImages”，‘* . jpg”));imageNames = {imageNames.name}';rng (0);imageIndices = randi(length(imageNames)，1,10);

逐帧读取视频输入，使用检测器检测视频中的车辆。

为idx = 1:10 testImage = imread(fullfile(pwd，“vehicleImages”imageNames {imageIndices (idx)}));resizedImage = imresize(testImage，[300,300]);detectorOutput = ssdObj_detect_mex(resizedImage,ssdNetFile);imshow (detectorOutput);暂停(0.5)结束

参考文献

[1]刘，魏，Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed，程阳，Alexander C. Berg。“SSD:单发多盒探测器。”第14届欧洲计算机视觉会议，ECCV 2016。施普林格Verlag, 2016。