主要内容

预处理

预处理训练和测试图像

折叠所有页面

    语法

    trainingData outputData =预处理(探测器)
    outputImg=预处理（检测器，img）
    ［＿＿＿，scaleInfo]=预处理(＿＿＿）

    描述

    例子

    outputData=进行预处理(探测器，培训数据）对训练数据进行预处理培训数据在使用它训练YOLO v3目标检测器之前。训练图像和相应的边界框存储在培训数据这个预处理Function执行以下操作:

    • 将训练图像的强度值重新调整到范围[0,1]。

    • 将训练图像调整为最接近的网络输入大小之一，并更新边界框坐标值以进行精确训练。该函数保留训练数据的原始纵横比。

    例子

    outputImg=进行预处理(探测器，img）对测试图像进行预处理img使用YOLO v3对象检测器进行对象检测。的预处理Function执行以下操作:

    • 将测试图像的强度值重新调整到范围[0,1]。

    • 调整测试图像的大小到最接近的网络输入大小之一，并保留每个测试图像的原始宽高比。

    ［＿＿＿，scaleInfo) =预处理(＿＿＿）返回关于用于图像调整大小的比例因子的信息，以及来自前面语法的参数的任何组合。

    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:

    打开实时脚本

    加载预训练的YOLO v3对象检测器。

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

    将训练数据集加载到工作空间中。训练数据是一个单元格数组，其中包含图像、边框值和类标签。

    负载(“trainingData.mat”，“培训数据”）;

    将训练图像调整为最近的网络输入大小，并使用预处理函数。

    输出数据=预处理（检测器、训练数据）；

    显示输出图像和用于调整图像大小的比例信息。

    outputImg=outputData{1,1}；图imshow（输出）

    显示输入和预处理值。

    bboxIn = cell2table (trainingData,“VariableNames”,{“图片”，“边界框”，“标签”})
    bboxIn=3×3表（UUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUU
    bboxOut=cell2table（输出数据，“VariableNames”,{“图片”，“边界框”，“标签”})
    bboxOut =3×3表图像边界框标签  __________________ ________________________ ___________ { 416×416×229 232 36 29单}{‘汽车’}{416×416×3单}182 222 64 46{‘汽车’}{416×416×3单}112 215 47 35{‘汽车’}

    这个示例使用:

    打开实时脚本

    加载预训练的YOLO v3对象检测器。

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

    读取测试图像。

    我= imread (“高速公路，巴布亚新几内亚”）;

    将测试图像的大小调整为网络输入的大小，并使用预处理函数。

    [outputImg, scaleInfo] =预处理(探测器,我);

    显示输出图像和用于调整图像大小的比例信息。

    图imshow (outputImg)

    disp (scaleInfo)
    预编辑图像大小：[416 416]ScaleX:0.7692 ScaleY:0.5769

    输入参数

    全部折叠

    YOLO v3对象检测器，指定为yolov3ObjectDetector对象

    YOLO v3对象检测器的训练数据，指定为N-by-3单元格数组，包含图像、边框和类标签。每一行的格式为[图片边界框标签].N为网络中输出层的数目。边界框必须存储为K- × 4矩阵的形式[xy宽度高度].K是对象类的数量。

    测试图像，指定为大小的数字数组米-借-N-借-C或米-借-N-借-C-借-T．米是行数，N是列数，和C是颜色通道的数量。的值C是1对于灰度图像和3.RGB彩色图像。T数组中测试图像的数量。

    数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

    输出参数

    全部折叠

    预处理的训练数据，返回为N3单元阵列。

    数据类型:单间牢房

    预处理的测试图像，作为大小的数字数组返回P-借-问-借-C或P-借-问-借-C-借-T．P和问是预处理图像中的行数和列数。

    数据类型:单

    有关调整输入图像大小的比例因子的信息，作为带有字段的结构返回预编辑图像大小，ScaleX和写入ScaleY．

    • 预编辑图像大小-大小的输出调整大小的图像。

    • ScaleX-用于调整图像中图像大小的比例因子X-方向(沿行)。

    • 写入ScaleY-用于调整图像中图像大小的比例因子Y-方向(沿列)。

    数据类型:结构体

    另请参阅

    |||

    主题

    介绍了R2021a

    计算机视觉工具箱文档

    金宝app

    用MATLAB引入深度学习

    用MATLAB引入深度学习

    下载电子书