主要内容

向前

计算YOLO v3深度学习网络输出进行训练

折叠所有页面

    语法

    dlX特性=前进(检测器)
    (功能,激活)=前进(检测器,dlX)
    向前(特性、激活状态)=(探测器,dlX)

    描述

    特性= (探测器，dlX）在给定输入数据的情况下，计算训练过程中网络的输出特征dlX．

    例子

    ［特性，激活] = (探测器，dlX）也计算网络的激活，你可以用来建模梯度损失。

    例子

    ［特性，激活，状态] = (探测器，dlX）也返回更新的网络状态。

    请注意

    此函数需要计算机视觉工具箱™模型的YOLO v3对象检测．你可以安装YOLO v3目标检测的计算机视觉工具箱模型从附加的探险家。有关安装附加组件的详细信息，请参见获取和管理附加组件．要运行此函数，您将需要深度学习工具箱™。

    例子

    全部折叠

    这个示例使用:

    打开生活的脚本

    加载预训练的YOLO v3对象检测器。

    探测器= yolov3ObjectDetector (“tiny-yolov3-coco”）;

    读一个图像用于训练。

    我= imread (“highway.png”）;

    对训练数据进行预处理，并将预处理后的训练数据转换为格式化的训练数据dlarray对象。

    [Ip、信息]=预处理(探测器,我);dlX = dlarray (Ip,“SSCB”）;

    计算训练过程中得到的网络输出。的向前函数返回YOLO v3深度学习网络输出层的激活信息。第一列包含置信度分数。第2至5列包含相对于网格单元格坐标计算的边界框位置。第六列包含训练期间使用的每个类的类概率。第七列和第八列分别包含网络计算的边界框的先验宽度和先验高度。在前向传递过程中计算的输出特征被用来模拟网络的梯度损耗。

    向前(输出、激活状态)=(探测器,dlX)
    输出=2×8单元阵列{13×13×3单}{13×13×3单}{13×13×3单}{13×13×3单}{13×13×3单}{13×13×240单}{13×13×3单}{13×13×3单}{26 26××3单}{26 26××3单}{26 26××3单}{26 26××3单}{26 26××3单}{26 26××240单}{26 26××3单}{26 26××3单}
    激活=2×8单元阵列{13×13×3×1 dlarray}{13×13×3×1 dlarray}{13×13×3×1 dlarray}{13×13×3×1 dlarray}{13×13×3×1 dlarray}{13×13×240×1 dlarray}{13×13×3×1 dlarray}{13×13×3×1 dlarray}{26×2×3×1 dlarray}{26×2×3×1 dlarray}{26×2×3×1 dlarray}{26×2×3×1 dlarray}{26×2×3×1 dlarray}{26×2×240×1 dlarray}{26×2×3×1 dlarray}{26×2×3×1 dlarray}
    状态=22×3表层参数值  ______________ _________________ __________________ " batch_norm_1”“TrainedMean”{1×1×16 dlarray}”batch_norm_1”“TrainedVariance“{1×1×16 dlarray}”batch_norm_2”“TrainedMean“{1×1×32 dlarray}”batch_norm_2”“TrainedVariance“{1×1×32 dlarray}”batch_norm_3”“TrainedMean“{1×1×64 dlarray}”batch_norm_3 TrainedVariance”{1×1×64 dlarray} "batch_norm_4" "TrainedMean" {1×1×128 dlarray} "batch_norm_4" "TrainedVariance" {1×1×128 dlarray} "batch_norm_5" "TrainedMean" {1×1×256 dlarray} "batch_norm_5" "TrainedVariance" {1×1×256 dlarray} "batch_norm_6" "TrainedMean" {1×1×512 dlarray} "batch_norm_6" "TrainedVariance" {1×1×512 dlarray} "batch_norm_7" "TrainedMean" {1×1×1024{1×1×1024 dlarray} "batch_norm_8" "TrainedMean" {1×1×256 dlarray} "batch_norm_8" "TrainedVariance" {1×1×256 dlarray}⋮

    输入参数

    全部折叠

    YOLO v3对象检测器，指定为yolov3ObjectDetector对象。

    训练数据，指定为格式化的dlarray(深度学习工具箱)对象。

    输出参数

    全部折叠

    框坐标的输出特性，返回为N8单元阵列。N为YOLO v3深度学习网络的输出层数。

    网络的激活，返回为N格式化的-by-8单元格数组dlarray(深度学习工具箱)对象。N为YOLO v3深度学习网络的输出层数。

    单元格数组中的每一行的格式为[相依bxbybwbh概率twth］.该函数以格式化的方式返回每个激活dlarray(深度学习工具箱)价值。

    激活 描述
    相依 每个边界框的估计置信分数。
    bx 估计X相对于网格单元格位置的包围框中心的坐标值。
    by 估计Y相对于网格单元格位置的包围框中心的坐标值。
    bw 相对于网格单元格位置的边界框的估计宽度。
    bh 边界框相对于网格单元格位置的估计高度。
    概率 估计输出特征图中每个特征的类概率。
    tw 由网络估计的边界框的先验宽度。
    th 由网络估计的边界框的预先高度。

    更新的网络状态，作为表返回。网络状态是一个有三列的表:

    • 层层名，作为字符串标量返回。

    • 参数-参数名称，作为字符串标量返回。

    • 价值-参数的值，以数字数组对象返回。

    网络状态包含了网络在迭代之间所记忆的信息。

    另请参阅

    ||

    主题

    介绍了R2021a

    计算机视觉工具箱文档

    金宝app

    介绍基于MATLAB的深度学习

    介绍基于MATLAB的深度学习

    下载电子书