trainFastRCNNObjectDetector
火车快速R-CNN深学习对象探测器
语法
描述
火车一个检测器
火车快速R-CNN与卷积神经网络(地区)对象探测器使用深度学习。你可以训练一个快速R-CNN检测器检测多个对象类。trainedDetector
= trainFastRCNNObjectDetector (trainingData
,网络
,选项
)
这个函数需要深度学习工具箱™。也建议您使用CUDA并行计算工具箱™®使英伟达®GPU。关于支持计算能力的信息,看到金宝appGPU计算的需求(并行计算工具箱)。
(
还返回培训进展的信息,如培训损失和准确性,为每个迭代。trainedDetector
,信息
)= trainFastRCNNObjectDetector (___)
恢复训练一个检测器
从探测器检查点恢复训练。trainedDetector
= trainFastRCNNObjectDetector (trainingData
,检查点
,选项
)
调整一个检测器
持续训练检测器与额外的训练数据或执行更多的训练迭代提高探测器的准确性。trainedDetector
= trainFastRCNNObjectDetector (trainingData
,探测器
,选项
)
自定义区域的建议
选择火车一个定制的地区建议功能,trainedDetector
= trainFastRCNNObjectDetector (___“RegionProposalFcn”,proposalFcn
)proposalFcn
,使用任何先前的输入。如果你不指定一个提议函数,那么这个函数使用箱子边缘的一种变体[2]算法。
额外的属性
使用指定的一个或多个额外的选项trainedDetector
= trainFastRCNNObjectDetector (___,名称,值
)名称,值
对参数。
例子
输入参数
输出参数
提示
为训练加速数据预处理,
trainFastRCNNObjectDetector
自动创建并使用一个平行池基于并行的偏好设置。关于这些首选项设置的更多细节,请参阅平行的偏好设置。使用并行计算偏好需要并行计算工具。VGG-16、VGG-19 resnet - 101和Inception-ResNet-v2大型模型。训练和大图像能产生“内存溢出”错误。为了减轻这些错误,试着一个或多个选项:
减少使用的图像的大小
SmallestImageDimension
”的论点。减少的价值”
NumRegionsToSample
”名称参数值。
这个函数支持转移学习。金宝app当你输入一个
网络
的名字,等“resnet50”
,那么函数自动将网络转换成一个有效的快速的基于pretrained R-CNN网络模型resnet50
(深度学习工具箱)模型。另外,手动指定一个自定义快速R-CNN网络使用LayerGraph
(深度学习工具箱)从一个pretrained DAG网络。更多细节,请参阅创建快速R-CNN对象检测网络。此表描述了如何将每个命名网络转换成一个快速R-CNN网络。特征提取层名称指定层由ROI池处理层。ROI的输出大小指定大小的ROI池的特征图谱输出层。
网络名称 特征提取层名称 ROI池层OutputSize 描述 alexnet
(深度学习工具箱)“relu5”
(6 - 6) 去年马克斯池层是取代了ROI马克斯池层 vgg16
(深度学习工具箱)“relu5_3”
7 [7] vgg19
(深度学习工具箱)“relu5_4”
squeezenet
(深度学习工具箱)“fire5-concat”
(14日14) resnet18
(深度学习工具箱)“res4b_relu”
ROI池层特征提取后插入层。 resnet50
(深度学习工具箱)“activation_40_relu”
resnet101
(深度学习工具箱)“res4b22_relu”
googlenet
(深度学习工具箱)“inception_4d-output”
mobilenetv2
(深度学习工具箱)“block_13_expand_relu”
inceptionv3
(深度学习工具箱)“mixed7”
17 [17] inceptionresnetv2
(深度学习工具箱)“block17_20_ac”
修改和网络转换成一个快速R-CNN网络,看到的设计一个R-CNN、快速R-CNN和更快的R-CNN模型。
使用
trainingOptions
(深度学习工具箱)函数来启用或禁用详细打印。
引用
[1]Girshick,罗斯。“快速R-CNN。”《IEEE计算机视觉国际会议。2015年。
[2]Zitnick c·劳伦斯,彼得亚雷美元。“边缘盒:从边缘定位对象的建议。”电脑Vision-ECCV 2014。施普林格国际出版,2014年,页391 - 405。
扩展功能
版本历史
介绍了R2017a
另请参阅
应用程序
功能
objectDetectorTrainingData
|trainRCNNObjectDetector
|trainFasterRCNNObjectDetector
|trainingOptions
(深度学习工具箱)|estimateAnchorBoxes
对象
层
(深度学习工具箱)|SeriesNetwork
(深度学习工具箱)|fastRCNNObjectDetector
|boxLabelDatastore