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。

dlX输出=预测(探测器)

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。