trainRCNNObjectDetector
火车一个R-CNN深学习对象探测器
语法
描述
火车一个R-CNN与卷积神经网络(地区)基于对象探测器。函数使用深学习训练检测器检测多个对象类。探测器
= trainRCNNObjectDetector (trainingData
,网络
,选项
)
这个实现R-CNN不训练SVM分类器为每一个对象类。
这个函数要求您有很深的学习工具箱™和统计和机器学习的工具箱™。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)。
选择火车R-CNN探测器使用自定义区域建议功能。探测器
= trainRCNNObjectDetector (___”,RegionProposalFcn
”,proposalFcn)
例子
输入参数
输出参数
限制
这个实现R-CNN不训练SVM分类器为每一个对象类。
提示
为训练加速数据预处理,
trainRCNNObjectDetector
自动创建并使用一个平行的根据您的池平行的偏好设置。这需要并行计算工具箱。VGG-16、VGG-19 resnet - 101和Inception-ResNet-v2大型模型。训练和大图片可能产生“内存溢出”错误。减少这些错误,手动调整图像的边界框地面实况数据之前调用
trainRCNNObjectDetector
。这个函数支持转移学习。金宝app当一个网络输入的名字,如
“resnet50”
,那么软件自动将网络转换成一个有效的基于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R-CNN网络使用LayerGraph
(深度学习工具箱)从一个pretrained DAG网络。看到创建R-CNN对象检测网络。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, R。,J. Donahue, T. Darrell, and J. Malik. “Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation.”《IEEE计算机视觉与模式识别会议。2014年,页580 - 587。
[2]Girshick, r .“快速R-CNN。”《IEEE计算机视觉国际会议。2015年,页1440 - 1448。
[3]Zitnick c·劳伦斯,p .美元。“边缘盒:从边缘定位对象的建议。”电脑Vision-ECCV,激飞国际出版。2014年,页391 - 405。
扩展功能
版本历史
介绍了R2016b
另请参阅
应用程序
功能
trainingOptions
(深度学习工具箱)|trainFastRCNNObjectDetector
|trainFasterRCNNObjectDetector
|trainYOLOv2ObjectDetector
|objectDetectorTrainingData
|resnet50
(深度学习工具箱)
对象
SeriesNetwork
(深度学习工具箱)|层
(深度学习工具箱)|rcnnObjectDetector
|imageCategoryClassifier