yolov2Layers

指定用于训练网络的输入图像的大小。

imageSize = [224 224 3];

指定网络必须检测的对象类的数量。

numClasses = 1;

定义锚框。

anchorBoxes = [1 1;4 6;5 3;9 6];

指定预训练的ResNet -50网络作为YOLO v2的基网络。要使用这个预训练的网络，您需要安装“ResNet-50网络的深度学习工具箱模型”支持包。金宝app

网络= resnet50();

分析网络结构，查看网络的所有层。

analyzeNetwork(网络)

指定要用于特征提取的网络层。可以选择除全连接层以外的任何层作为特征层。

featureLayer =“activation_49_relu”；

创建YOLO v2目标检测网络网络返回为LayerGraph对象。

lgraph = yolov2Layers(imageSize,numClasses,anchorBoxes,network,featureLayer);

分析YOLO v2的网络结构。特征层之后的层被移除。在基网络的特征层中加入一系列的卷积层、ReLU层和批归一化层以及YOLO v2变换层和YOLO v2输出层。

analyzeNetwork (lgraph)

指定用于训练网络的输入图像的大小。

imageSize = [224 224 3];

指定网络必须检测的对象类的数量。

numClasses = 1;

定义锚框。

anchorBoxes = [1 1;4 6;5 3;9 6];

指定预训练的ResNet -50作为YOLO v2的基网络。要使用这个预训练的网络，您需要安装“ResNet-50网络的深度学习工具箱模型”支持包。金宝app

网络= resnet50();

分析网络结构，查看网络的所有层。

analyzeNetwork(网络)

指定要用于特征提取的网络层。可以选择除全连接层以外的任何层作为特征层。

featureLayer =“activation_49_relu”；

指定要用作重组层源的网络层。

reorgLayer =“activation_47_relu”；

创建YOLO v2目标检测网络网络返回为LayerGraph对象。

lgraph = yolov2Layers(imageSize,numClasses,anchorBoxes,network,featureLayer，“ReorglayerSource”, reorgLayer);

分析YOLO v2的网络结构。特征层之后的层被移除。在基网络特征层中加入检测子网、YOLO v2变换和YOLO v2输出层。在网络中还增加了重组层和深度连接层。YOLO v2 reorg层对输出特征的维度进行重新组织activation_47_relu层。深度连接层将重组层的输出与更高层的输出连接起来。

analyzeNetwork (lgraph)