rcnobjectdetector
使用R-CNN深度学习检测器检测对象
描述
这rcnobjectdetector对象使用R-CNN（具有卷积神经网络）对象检测器的R-CNN（区域）检测来自图像的对象。要检测图像中的对象，将培训的探测器传递给探测函数。为了对图像区域进行分类，将检测器传递给classifyRegions函数。
的使用rcnobjectdetector需要统计和机器学习工具箱™和深度学习工具箱™。
使用时探测或classifyRegions用来rcnobjectdetector，使用CUDA®使英伟达®强烈推荐GPU。GPU显着降低计算时间。GPU的使用需要并行计算工具箱™。有关支持的计算能力的信息，请参阅金宝appGPU支金宝app持情况（并行计算工具箱）。
创建
创建一个rcnobjectdetector对象，调用trainrcnnobjectdetector.使用培训数据（需要深入学习工具箱）。
探测器= trainRCNNObjectDetector (trainingData…)
特性
对象功能
探测 |
使用R-CNN深度学习检测器检测对象 |
classifyRegions |
使用R-CNN目标检测器对图像区域中的目标进行分类 |
例子
火车R-CNN停车标志检测器
加载培训数据和网络层。
加载（“rcnnStopSigns.mat”那“stopSigns”那“层”）
将图像目录添加到MATLAB路径中。
imdir = fullfile（matlabroot，“工具箱”那'想象'那'VisionData'那......'stopsignimages'）;addpath（imdir）;
设置网络培训选项以使用迷你批量大小为32，以减少GPU内存使用情况。降低InitialLearningRate以降低网络参数改变的速率。当微调预先调整的网络并阻止网络变得太快时，这是有益的。
选择= trainingOptions (“个”那......'minibatchsize'32岁的......“InitialLearnRate”，1e-6，......'maxepochs'10);
训练R-CNN探测器。培训可能需要几分钟才能完成。
rcnn = trainRCNNObjectDetector(stopSigns, layer, 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……。步骤2: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 | 0.000001 | 96.88%| | 100 | | 14.77 | 0.2443 | 93.75% | 0.000001 | | 150 | | 20.29 | 0.0013 | 100.00% | 0.000001 | | 200 | | 25.94 | 0.1524 | 0.000001 | 96.88% | |=========================================================================================| 网络训练完成。步骤3:训练每个对象类的边界盒回归模型。R-CNN培训完成。*******************************************************************
在测试图像上测试R-CNN检测器。
img = imread ('stopsigntest.jpg'）;[bbox, score, label] =检测(rcnn, img，'minibatchsize'、32);
显示最强的检测结果。
[得分，Idx] = Max（得分）;bbox = bbox（idx，:);注释= sprintf（'％s :(信心=％f）'标签(idx),得分);detectedImg = insertObjectAnnotation (img,“矩形”bbox,注释);图imshow (detectedImg)
从路径中删除映像目录。
rmpath（imdir）;
恢复培训R-CNN对象探测器
使用其他数据恢复培训R-CNN对象探测器。为了说明此过程，将使用一半的地面真实数据来初始培训检测器。然后，使用所有数据恢复培训。
加载培训数据并初始化培训选项。
加载（“rcnnStopSigns.mat”那“stopSigns”那“层”) stopSigns。imageFilename = fullfile (toolboxdir ('想象')，'VisionData'那......stopSigns.imageFilename);选择= trainingOptions (“个”那......'minibatchsize'32岁的......“InitialLearnRate”，1e-6，......'maxepochs'10......“详细”， 错误的）;
用部分地面真相训练R-CNN探测器。
rcnn = trainrcnnobjectdetector（stopsigns（1:10，:)，图层，选项，“NegativeOverlapRange”，[0 0.3]）;
从检测器上获取训练过的网络层。当你将一个网络层数组传递给trainrcnnobjectdetector.在美国，它们被原样用于继续培训。
网络= rcnn.Network;层= network.Layers;
使用所有培训数据恢复培训。
rcnnfinal = thathrcnnobjectdetector（stopsigns，图层，选项）;
创建用于多类R-CNN对象检测的网络
为两个对象类创建一个R-CNN对象检测器:狗和猫。
ObjectClasses = {'小狗'那'猫'}；
网络必须能够对狗，猫和“背景”类进行分类，以便使用trainrcnnobjectdetector.。在该示例中，添加一个以包括背景。
numclassesplacebrackground = numel（objectClasses）+ 1;
网络的最终完全连接的层定义了网络可以对的类的数量。设置最终完全连接的图层以具有等于类的输出大小加上背景类。
层= [......imageInputLayer（[28 28 1]）卷积2dlayer（5,20）全连接列（numclassesplackground）;softmaxlayer（）classificationlayer（）];
这些网络层现在可以用来训练R-CNN两级目标检测器。
在R-CNN对象检测器中使用已保存的网络
创建一个R-CNN对象检测器，并设置它使用保存的网络检查点。在网络训练过程中，每个阶段都保存一个网络检查点trainingOptions设置CheckpointPath参数。网络检查点在你的训练过程意外终止时很有用。
加载停止标志训练数据。
加载（“rcnnStopSigns.mat”那“stopSigns”那“层”）
为图像文件添加完整路径。
stopSigns。imageFilename = fullfile (toolboxdir ('想象')，'VisionData'那......stopSigns.imageFilename);
属性设置CheckpointPathtrainingOptions函数。
checkpointLocation = tempdir;选择= trainingOptions (“个”那“详细”假的,......“CheckpointPath”，检查点位置;
用几张图片训练R-CNN目标检测器。
rcnn = trainrcnnobjectdetector（stopsigns（1：3，:)，图层，选项）;
加载已保存的网络检查点。
wildcardfilepath = fullfile（checkpointlocation，“convnet_checkpoint__ * .mat”）;内容= dir (wildcardFilePath);
加载其中一个检查点网络。
filepath = fullfile（内容（1）.folder，contents（1）.name）;checkpoint = load（filepath）;checkpoint.et.
ans = SeriesNetwork with properties: Layers: [15×1 net.cnn.layer. layer]
创建一个新的R-CNN对象检测器，并设置它使用保存的网络。
rcnnCheckPoint = rcnnObjectDetector ();rcnnCheckPoint。RegionProposalFcn = @rcnnObjectDetector.proposeRegions;
将网络设置为已保存的网络检查点。
rcnnCheckPoint。网络= checkpoint.net
rcnnCheckPoint = rcnnObjectDetector with properties: Network: [1×1 SeriesNetwork] ClassNames: {'stopSign' ' 'Background'} RegionProposalFcn: @rcnnObjectDetector. proproserregions . properties
也可以看看
应用
功能
你也可以从以下列表中选择一个网站:
