文档帮助中心文档
计算Yolo V3深度学习网络输出推动
dlX输出=预测(探测器)
例子
输出=预测(探测器,dlX)给定探测器和测试数据,在推理过程中计算YOLO v3深度学习网络输出。推理时使用该函数从YOLO v3深度学习网络的输出层得到预测。
输出=预测(探测器,dlX)
输出
探测器
dlX
请注意
此函数需要计算机视觉工具箱™YOLO v3对象检测模型.您可以安装电脑视觉工具箱模型用于YOLO V3对象检测从附加的探险家。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Deep Learning Toolbox™。
全部折叠
这个示例使用:
加载一个预先训练好的YOLO v3对象检测器。
探测器= yolov3ObjectDetector (“tiny-yolov3-coco”);
加载用于预测的测试图像。
我= imread ('highway.png');
预处理测试图像并将预处理图像转换为格式化的dlarray对象。
[Ip、信息]=预处理(探测器,我);Ip = im2single (Ip);dlX = dlarray (Ip,“SSCB”);
计算测试图像的预测。这预测函数返回YOLO v3深度学习网络输出层对特征图的预测。第一列包含置信分数。列2至5包含相对于网格单元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概率。第七列和第八列分别包含由网络计算的边界框的先验宽度和先验高度。
预测
输出=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}
然后,你可以通过使用带有最大目标分数的特征预测来获得最终的检测结果。客观度得分是置信度得分与类别概率的乘积。为了计算精确的边界框位置,您必须将预测的边界框值映射到框坐标。或者,您可以使用检测功能直接获取检测结果。这检测函数在内部调用预测函数来计算特征图。
检测
Yolov3objectDetector
YOLO v3对象检测器,指定为Yolov3objectDetector对象。
dlarray
测试数据,指定为格式化dlarray(深度学习工具箱)对象。测试数据可以包含一个或多个测试图像。
输出预测,返回为N-by-8格式的单元格数组dlarray(深度学习工具箱)对象。N表示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]。该函数将预测返回为格式化dlarray(深度学习工具箱)价值. .
向前|Yolov3objectDetector|预处理|检测
向前
预处理
您有此示例的修改版本。您想用编辑打开这个示例吗?
你点击了一个与MATLAB命令相对应的链接:
在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站,在可用的地方获得翻译的内容,并看到当地的活动和提供。根据您的地理位置,我们建议您选择:.
您还可以从以下列表中选择一个网站:
请选择中国网站(中文或英文),以获得最佳网站性能。MathWorks的其他国家站点并没有针对您所在位置的访问进行优化。
与当地办事处联系