主要内容

boxLabelDatastore

用于边界框标签数据的数据存储

全部展开页面

描述

的boxLabelDatastore对象为边界框标签数据创建数据存储。使用此对象读取带有标签的边界框数据以进行对象检测。

从。中读取边界框标签数据boxLabelDatastore对象,使用读函数。这个对象函数返回一个有两列或三列的单元格数组。的组合可以创建数据存储boxLabelDatastore对象与一个ImageDatastore对象使用结合对象的功能。使用组合数据存储来训练对象检测器，使用诸如trainYOLOv2ObjectDetector和trainFasterRCNNObjectDetector．您可以使用对象函数访问和管理数据存储中的数据。修改ReadSize属性，则可以使用点表示法。

创建

语法

建筑物= boxLabelDatastore (tbln tbl1…)
建筑物= boxLabelDatastore (tbl1,…,tbln bSet)

描述

例子

建筑物= boxLabelDatastore (tbl1,…,tbln）创建一个boxLabelDatastore对象，该对象来自一个或多个包含带标签的边界框数据的表。

建筑物= boxLabelDatastore (tbl1、……tbln，bSet）创建一个boxLabelDatastore对象从一个bigimage中块位置指定的分辨率级别、块大小和块位置bSet．

输入参数

全部展开

标记为边界框数据，指定为具有一个或多个列的表。每个表对应一组标签。包围框可以是轴对齐的矩形、旋转的矩形或长方体。下表描述了包围框的格式。

边界框 描述
Axis-aligned矩形

在像素坐标中定义为米-乘4的数字矩阵，列的形式[xywh),地点:

  • 米为轴对齐矩形的数目。

  • x和y指定矩形的左上角。

  • w指定矩形的宽度，即矩形沿边框的长度x设在。

  • h指定矩形的高度，即矩形沿边框的长度y设在。
旋转的矩形

在空间坐标中定义为米-乘5的数字矩阵，其行形式为[xctryctrxlenylen偏航),地点:

  • 米为旋转矩形的数目。

  • xctr和yctr指定矩形的中心。

  • xlen指定矩形的宽度，即矩形沿边框的长度x设在前旋转。

  • ylen指定矩形的高度，即矩形沿边框的长度y设在前旋转。

  • 偏航指定旋转角度(以度为单位)。围绕包围盒的中心旋转是顺时针方向的。

正方形矩形旋转-30度。
长方体

在空间坐标中定义为米-乘9的数字矩阵，其行形式为[xctryctrzctrxlenylenzlenxrotyrotzrot),地点:

  • 米为长方体的个数。

  • xctr，yctr,zctr指定长方体的中心。

  • xlen，ylen,zlen指定长方体的长度沿x设在,y设在,z-axis，分别在旋转前。

  • xrot，yrot,zrot的周围指定长方体的旋转角度x设在,y设在,z分别设在。的xrot，yrot,zrot旋转角是围绕长方体中心的度数。每一个旋转相对于相关空间轴的正方向是顺时针方向。这个函数计算旋转矩阵ZYX股票阶欧拉角[xrotyrotzrot]．

该图显示了这些值如何确定长方体的位置。

  • 包含一个或多个列的表:

    所有列都包含边框。每一列必须包含一个单元格向量米——- - - - - -N矩阵。米图像的数量是和吗N表示单个对象类，例如stopSign，carRear,或carFront．

  • 有两列的表。

    第一列包含边界框。第二列必须是包含对应于每个边界框的标签名称的单元格向量。单元格向量中的每个元素必须是米-by-1分类或字符串向量，其中米表示标签的数量。

创建一个地面真值表，使用图片标志或贴标签机视频要从生成的ground truth创建一个训练数据表，使用objectDetectorTrainingData函数。

数据类型:表格

块位置，指定为blockLocationSet对象。控件可以创建此对象balanceBoxLabels函数。

属性

全部展开

此属性是只读的。

标记的边界框数据，指定为N的- × 2单元矩阵N图像。第一列必须是包含包围框的单元格向量。单元格中的每个元素都包含一个向量，表示轴对齐的矩形、旋转的矩形或长方体。第二列必须是包含对应于每个边界框的标签名称的单元格向量。一个米-by-1分类向量表示每个标签名。

边界框的描述

边界框 细胞向量 格式
Axis-aligned矩形 米4对米边界框 ［x，y，宽度，高度］
旋转的矩形 米5对米边界框 ［xcenter，ycenter，宽度，高度，偏航］
长方体 米9的米边界框 ［xcenter，ycenter，zcenter，宽度，高度，深度，处方，变化中，rz］

的每次调用中读取的标签数据的最大行数读函数，指定为正整数。

对象的功能

结合 合并来自多个数据存储的数据
countEachLabel 计数像素或盒标签的出现次数
hasdata 确定数据是否可以从数据存储中读取
numpartitions 一个数据存储的分区数
分区 将标签数据存储分区
预览 读取数据存储中的第一行数据
进步 从数据存储读取数据的百分比
读 从数据存储中读取数据
readall 读取数据存储中的所有数据
重置 将数据存储重置为初始状态
洗牌 返回打乱的数据存储版本
子集 创建数据存储或文件集的子集
变换 变换数据存储
isPartitionable 确定数据存储是否可分区
isShuffleable 确定数据存储是否可洗牌

例子

全部折叠

这个示例使用:

打开生活的脚本

这个例子展示了如何使用包含训练数据的表来估计锚框。第一列包含训练图像，其余列包含标记的边界框。

data =负载(“vehicleTrainingData.mat”）;trainingData = data.vehicleTrainingData;

创建一个boxLabelDatastore对象，使用来自训练数据的标记边界框。

建筑物= boxLabelDatastore (trainingData(:, 2:结束));

估计锚盒使用boxLabelDatastore对象。

numAnchors = 5;anchorBoxes = estimateAnchorBoxes(建筑物、numAnchors);

指定图像大小。

inputImageSize = (128228 3);

指定要检测的类的数量。

numClasses = 1;

YOLO v2网络使用预培训的ResNet-50网络作为基础网络。

网络= resnet50 ();

指定用于特征提取的网络层。你可以使用analyzeNetwork函数查看网络中所有层的名称。

featureLayer =“activation_49_relu”；

创建YOLO v2对象检测网络

lgraph = yolov2Layers(inputImageSize,numClasses,anchorBoxes,network, featureLayer)
lgraph = LayerGraph with properties: Layers: [182×1 nnet.cnn.layer.Layer] Connections: [197×2 table] InputNames: {'input_1'} OutputNames: {'yolov2OutputLayer'}

使用网络分析器可视化网络。

analyzeNetwork (lgraph)
打开生活的脚本

加载包含带有标签的边界框的车辆类别训练数据表。

data =负载(“vehicleTrainingData.mat”）;trainingData = data.vehicleTrainingData;

将fullpath添加到本地车辆数据文件夹中。

dataDir = fullfile (toolboxdir (“愿景”)，“visiondata”）;trainingData。imageFilename = fullfile (dataDir trainingData.imageFilename);

创建一个imageDatastore对象，使用表中的文件名。

imd = imageDatastore (trainingData.imageFilename);

创建一个boxLabelDatastore对象使用带有标签数据的表。

建筑物= boxLabelDatastore (trainingData(:, 2:结束));

结合imageDatastore和boxLabelDatastore对象。

cd =结合(imd,建筑物);

阅读训练数据。使用读对象函数返回图像、边框和标签。

读(cds)
ans =1×3单元阵列{128x228x3 uint8} {[126 78 20 16]} {[vehicle]}
打开生活的脚本

加载包含带有标签的边界框的车辆类别训练数据表。

负载(“vehicleTrainingData.mat”）;

加载包含带有标签的边界框的停车标志和汽车类训练数据表。

负载(“stopSignsAndCars.mat”）;

从训练数据创建地面真值表。

vehiclesTbl = vehicleTrainingData(:, 2:结束);stopSignsTbl = stopSignsAndCars(:, 2:结束);

创建一个boxLabelDatastore对象使用两个表:一个是车辆标签数据，另一个是停车标志和汽车标签数据。

建筑物= boxLabelDatastore (vehiclesTbl stopSignsTbl);

创建一个imageDatastore对象，使用训练数据表中的文件名。

dataDir = fullfile (toolboxdir (“愿景”)，“visiondata”）;vehicleFiles = fullfile (dataDir vehicleTrainingData.imageFilename);stopSignFiles = fullfile (dataDir stopSignsAndCars.imageFilename);imd = imageDatastore ([vehicleFiles; stopSignFiles]);

结合imageDatastore和boxLabelDatastore对象。

cd =结合(imd,建筑物);

阅读训练数据。使用读对象函数返回图像、边框和标签。

读(cds)
ans =1×3单元阵列{128x228x3 uint8} {[126 78 20 16]} {[vehicle]}

另请参阅

应用程序

功能

对象

主题

介绍了R2019b

计算机视觉工具箱文档

金宝app

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书