火车快速R-CNN停止标志探测器

此示例使用：

打开直播脚本

加载培训数据。

data = load（'rcnnstopsigns.mat'那'stopsigns'那'fastrcnlayers'）;stopsigns = data.stopsigns;fastrcnlayers = data.fastrcnlayers;

将满目标添加到图像文件。

stopsigns.imageFilename = fullfile（toolboxdir（'想象'），'VisionData'那......stopsigns.imagefilename）;

随机抽搐数据进行培训。

RNG（0）;shuffledidx = randperm（高度（stopsigns））;stopsigns = stopsigns（shuffledidx，:);

使用表中的文件创建IMAGEDATASTORE。

imd = imageDatastore (stopSigns.imageFilename);

使用表中的标签列创建BoxLabeldAtastore。

建筑物= boxLabelDatastore (stopSigns(:, 2:结束));

结合数据存储。

DS =联合（IMDS，BLD）;

停止标志训练图像有不同的尺寸。预处理数据以将图像和框中调整为预定义大小。

DS =变换（DS，@（数据）预处理数据（数据，[920 968 3]））;

设置网络培训选项。

选项=培训选项（'sgdm'那......'minibatchsize'10，......'italllearnrate'，1e-3，......'maxepochs'10，......'checkpoinspath'，Tempdir）;

培训快速的R-CNN探测器。培训可能需要几分钟才能完成。

frcnn = trainfastrcnnobjectdetector（ds，fastrcnlayers，选项，......'负极的贪婪', 0.1 [0],......'积极透过的'，[0.7 1]）;

*******************************************************************训练a Fast R-CNN Object Detector for the following object classes: * stopSign --> Extracting region proposals from training datastore...done. Training on single GPU. |=======================================================================================================| | Epoch | Iteration | Time Elapsed | Mini-batch | Mini-batch | Mini-batch | Base Learning | | | | (hh:mm:ss) | Loss | Accuracy | RMSE | Rate | |=======================================================================================================| | 1 | 1 | 00:00:29 | 0.3787 | 93.59% | 0.96 | 0.0010 | | 10 | 10 | 00:05:14 | 0.3032 | 98.52% | 0.95 | 0.0010 | |=======================================================================================================| Detector training complete. *******************************************************************

在测试图像上测试快速R-CNN检测器。

img = imread（'stopsigntest.jpg'）;

运行探测器。

[Bbox，Score，Label] =检测（FRCNN，IMG）;

显示检测结果。

detectedimg = InsertObjectAnnotation（IMG，'矩形'，bbox，得分）;图imshow（detectedimg）

金宝app支持功能

功能Data = PreprocessData（数据，TargetSize）％将图像大小调整为targetsize。scale = targetsize（1：2）./大小（数据{1}，[1 2]）;数据{1} = IMResize（数据{1}，targetsize（1：2））;bboxes = round（数据{2}）;数据{2} = BboxResize（Bboxes，Scale）;结尾

计算机视觉工具箱文档

金宝app

与Matlab引入深度学习

下载电子书