文档帮助中心文档
计算YOLO v3深度学习网络输出进行训练
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)
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.
特性= (探测器,dlX)
特性
探测器
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。
[特性,激活] = (探测器,dlX)
激活
[特性,激活,状态] = (探测器,dlX)也返回更新的网络状态。
[特性,激活,状态] = (探测器,dlX)
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™。
全部折叠
这个示例使用:
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。
dlarray
[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
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}⋮
yolov3ObjectDetector
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。
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。
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。
层
参数-参数名称,作为字符串标量返回。
参数
价值-参数的值,以数字数组对象返回。
价值
网络状态包含了网络在迭代之间所记忆的信息。
检测|进行预处理|yolov3ObjectDetector
检测
进行预处理
您有这个示例的修改版本。您想打开这个示例与您的编辑吗?
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:.
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
与当地办事处联系