doTraining=false；如果~doTraining&&~存在('yolov2resnet50vehiceexample_19b.mat',“文件”)disp('下载预训练检测器（98 MB）…'); 预训练='//www.tatmou.com/金宝appsupportfiles/vision/data/yolov2ResNet50VehicleExample_19b.mat'；韦伯斯韦('yolov2resnet50vehiceexample_19b.mat'，训练前；终止

解压vehicleDatasetImages.zip数据=负载(“vehicleDatasetGroundTruth.mat”)；vehicleDataset=data.vehicleDataset；

％显示第一个数据集的行。车辆数据集（1:4，：）

%将完整路径添加到本地车辆数据文件夹。vehicleDataset.imageFilename=fullfile（pwd，vehicleDataset.imageFilename）；

rng（0）；ShuffledDices=randperm（高度（车辆数据集））；idx=地板（0.6*长度（ShuffledDices））；trainingIdx=1:idx；trainingDataTbl=车辆数据集（ShuffledDices（trainingIdx），：；validationIdx=idx+1:idx+1+地板（0.1*长度（ShuffledDices））；validationDataTbl=车辆数据集（ShuffledDices（validationIdx），：）；testIdx=validationIdx（end）+1:length（shuffleddinces）；testDataTbl=vehicleDataset（shuffleddinces（testIdx），：）；

imdstrain = imageageataStore（trainingDatatbl {:,“imageFilename”})；bldsTrain=boxLabelDatastore（培训数据TBL（：，“车辆”))；imdsValidation=imageDatastore（validationDataTbl{：，“imageFilename”})；bldsValidation=boxLabelDatastore（validationDataTbl（：，“车辆”));imdstest = imageageataStore（testdatatbl {：:,“imageFilename”}); bldsTest=boxLabelDatastore（testDataTbl（：，“车辆”));

培训数据=联合收割机（imdsTrain，bldsTrain）；验证数据=联合收割机（imdsValidation，bldsValidation）；测试数据=联合收割机（imdsTest，bldsTest）；

数据=读取（训练数据）；I=数据{1}；bbox=数据{2}；annotatedImage=insertShape（I，“矩形”，bbox）；annotatedImage=imresize（annotatedImage，2）；地物imshow（annotatedImage）

inputSize=[2242243]；

numClasses=宽度（车辆数据集）-1；

trainingDataForEstimation=转换（trainingData，@（data）预处理数据（data，inputSize））；numAnchors=7；[anchorBoxes，MeaniIOU]=估计anchorBoxes（trainingDataForEstimation，numAnchors）

featureExtractionNetwork=resnet50；

FeatureLayer =.“激活\u 40\u relu”;

lgraph=yolov2Layers（输入大小、numclass、锚箱、featureExtractionNetwork、featureLayer）；

augmentedTrainingData=转换（trainingData，@augmentData）；

%可视化增强图像。增强数据=单元（4,1）；对于k=1:4数据=读取（增强训练数据）；augmentedData{k}=insertShape（数据{1}），“矩形”，数据{2}）；重置（增强训练数据）；终止图蒙太奇（增强数据，'毗邻',10)

预处理训练数据=转换（增强训练数据，@（数据）预处理数据（数据，输入大小））；预处理验证数据=转换（验证数据，@（数据）预处理数据（数据，输入大小））；

数据=读取（预处理的训练数据）；

I=data{1}；bbox=data{2}；annotatedImage=insertShape（I，“矩形”，bbox）；annotatedImage=imresize（annotatedImage，2）；地物imshow（annotatedImage）

选项=培训选项(“sgdm”,...“MiniBatchSize”,16,....“初始学习率”，1e-3，...“MaxEpochs”,20,...“检查点路径”，Tempdir，...“验证数据”，预处理验证数据）；

如果溺爱％训练yolo v2探测器。[检测器，信息]=TrainyLov2Object检测器（预处理的训练数据、lgraph、选项）；其他的%以负载预训练检测器为例。预训练=负荷('yolov2resnet50vehiceexample_19b.mat'); 检测器=预训练检测器；终止

I=imread(“高速公路，巴布亚新几内亚”); I=imresize（I，输入大小（1:2））；[b盒，分数]=检测（检测器，I）；

I=插入对象注释（I，“矩形”，b框，分数）；图1（I）

preprocessedTestData=转换（testData，@（data）preprocessData（data，inputSize））；

检测=检测（检测器，预处理型Data）;

[ap，召回率，精密度]=评估检测精密度（检测结果，预处理检测数据）；

图表（召回率、精度）xlabel(“召回”)伊拉贝尔(“精确性”)网格在…上头衔（斯普林特）('平均精度=%.2f'（美联社）

作用B=数据（A）%应用随机水平翻转和随机X/Y缩放%如果重叠超过0.25，则将剪裁边界外的缩放。此外，%抖动图像颜色。b =单元格（大小（a））;我=一个{1};sz =尺寸（i）;如果numel（sz）==3&&sz（3）==3 I=jitterColorHSV（I，...'对比',0.2,...“色调”,0,...“饱和”,0.1,...“亮度”,0.2);终止%随机翻转和缩放图像。tform=随机仿射2d(“外部选择”符合事实的“规模”，[1.1]）；路由=仿射输出视图（sz，tform，“邦兹风格”,“中心输出”); B{1}=imwarp（I，tform，“OutputView”，溃败）；%如果需要，请清理方框数据。A{2}=helpersanizizeboxes（A{2}，sz）；%对框应用相同的变换。[B{2}，索引]=bboxwarp（A{2}，tform，rout，“重叠阈值”,0.25); B{3}=A{3}（指数）；%仅当通过扭曲移除所有框时，才返回原始数据。如果isempty（指数）B=A；终止终止作用数据=预处理数据（数据，targetSize）%将图像和边界框调整为targetSize。sz=大小（数据{1}[12]）；比例=目标尺寸（1:2）。/sz；data{1}=imresize（data{1}，targetSize（1:2））；%如果需要，请清理方框数据。数据{2}=助手操作系统（数据{2}，sz）；%将框大小调整为新的图像大小。数据{2}=bboxresize（数据{2}，比例）；终止