先决条件

有关受支持版本的编译器和库的详细信息，请参阅金宝app第三方软硬件．

这个例子是支持Linux®，Wi金宝appndows®和macOS平台，不支持MATLAB Online。

得到Pretrained达格网络对象

DAG网络包含150层，包括卷积层、ReLU层、批处理正常化层、YOLO v2转换层和YOLO v2输出层。

net=getYOLOv2（）；

下载预训练检测器(98mb)…

使用命令网。层查看网络的所有层。

网。层

代码生成yolov2_检测函数

这个yolov2_检测附加在示例中的函数接受图像输入，并使用保存在其中的网络在图像上运行检测器yolov2ResNet50VehicleExample.mat．函数从yolov2ResNet50VehicleExample.mat变成一个持久变量yolov2Obj．后续对该函数的调用将重用持久对象进行检测。

类型(“yolov2_detection.m”)

函数outImg=yolov2_检测（in）%2018-2019版权所有MathWorks，Inc.%持久对象yolov2Obj用于加载YOLOV2OBJECTDECTOR对象在第一次调用此函数时，将构造并设置持久对象。对函数的后续调用将重用同一对象来调用输入上的检测%，从而避免必须重新构建和重新加载%网络对象。持久性yolov2Obj；如果isempty（yolov2Obj）yolov2Obj=coder.loadDeepLearningNetwork（'yolov2ResNet50VehicleExample.mat'）；输入[B盒，~，标签]=yolov2Obj.detect（输入，'阈值'，0.5）的结束百分比通过率；outImg=in；%将分类标签转换为字符向量标签的单元格数组=cellstr（标签）；如果~（isempty（bboxes）&&isempty（labels））%，则对图像中的检测进行注释。outImg=插入对象注释（在“矩形”、“bboxes”和标签中）；终止

若要生成代码，请为MEX目标创建代码配置对象，并将目标语言设置为C++。编码器。DeepLearningConfig函数创建MKL-DNN深度学习配置对象。将此对象指定给DeepLearningConfig代码配置对象的属性。将输入大小指定为编码基因命令在本例中，YOLO v2网络的输入层大小为[224,224,3]．

cfg=coder.config(“墨西哥”); cfg.TargetLang=“C++”；cfg.DeepLearningConfig=coder.DeepLearningConfig(“mkldnn”); 编码基因-配置cfgyolov2_检测-args{one（224224,3，'uint8'）}报告

代码生成成功：要查看报告，请打开（'codegen/mex/yolov2_detection/html/report.mldatx'）。

在示例输入上运行生成的MEX函数

设置视频文件读取器并读取示例输入视频lanechange.mp4公路．创建一个视频播放器来显示视频和输出检测。

videoFile =“highway_lanechange.mp4”；videoFreader =愿景。VideoFileReader (videoFile“VideoOutputDataType”,‘uint8’); depVideoPlayer=vision.DeployableVideoPlayer(“尺寸”,“自定义”,“定制尺寸”,[640 480]);

逐帧读取视频输入，利用检测器检测视频中的车辆。

续= ~结束(videoFreader);而cont I = step(videoFreader);在= imresize(我,[224224]);= yolov2_detection_mex(的);depVideoPlayer(出);= ~isDone(videoFreader) && isOpen(depVideoPlayer);%如果视频播放器图形窗口关闭，则退出循环终止

参考文献

雷蒙德，约瑟夫和阿里·法哈迪。“YOLO9000:更好、更快、更强。”在2017年IEEE计算机视觉和模式识别会议（CVPR），6517–25。檀香山，HI:IEEE，2017。