第三方的先决条件

要求

本例生成CUDA MEX，第三方需求如下。

可选

对于非mex构建，例如静态、动态库或可执行文件，此示例具有以下附加要求。

检查GPU环境

使用coder.checkGpuInstall(GPU编码器)函数验证运行此示例所需的编译器和库是否正确设置。

envCfg = code . gpuenvconfig (“主机”）;envCfg。DeepLibTarget =“cudnn”；envCfg。DeepCodegen = 1;envCfg。安静= 1;coder.checkGpuInstall (envCfg);

预训练DAGNetwork

net = getSSDNW();

DAG网络包含180层，包括卷积层、ReLU层、批归一化层、锚盒层、SSD合并层、焦损层等。要显示深度学习网络体系结构的交互式可视化，请使用analyzeNetwork(深度学习工具箱)函数。

analyzeNetwork(净);

的ssdObj_detect入口点函数

的ssdObj_detect.m入口点函数接受图像输入，并使用保存在中的深度学习网络在图像上运行检测器ssdResNet50VehicleExample_20a.mat文件。方法加载网络对象ssdResNet50VehicleExample_20a.mat文件转换为持久变量ssdObj并在后续的检测调用中重用持久对象。

类型(“ssdObj_detect.m”）

function outImg = ssdObj_detect(in) %版权所有if isempty(ssdObj) ssdObj = code . loaddeeplearningnetwork (' ssdresnet50vehicleexample_20 .mat');[bboxes，~，labels] = ssdObj.detect(in，'Threshold'，0.7);将类别标签转换为字符向量的单元格数组%执行标签= cellstr(标签);注释图像中的检测。if ~isempty(labels) outImg = insertObjectAnnotation(in，'rectangle'，bboxes,labels);else outImg = in;结束

运行MEX代码生成

生成CUDA代码ssdObj_detect.m入口点函数，为MEX目标创建GPU代码配置对象，并设置目标语言为c++。使用编码器。DeepLearningConfig(GPU编码器)函数创建CuDNN深度学习配置对象，并将其分配给DeepLearningConfigGPU代码配置对象的属性。运行codegen命令，指定输入大小为[300,300,3]。该值对应“SSD Network”的输入层大小。

cfg = code . gpuconfig (墨西哥人的）;cfg。TargetLang =“c++”；cfg。DeepLearningConfig =编码器。DeepLearningConfig (“cudnn”）;codegen配置cfgssdObj_detectarg游戏{(300300 3 uint8)}报告

代码生成成功:查看报告

运行生成的MEX

设置视频文件读取器，读取输入视频。创建一个视频播放器来显示视频和输出检测。

videoFile =“highway_lanechange.mp4”；videoFreader =视觉。VideoFileReader (videoFile“VideoOutputDataType”，“uint8”）;depVideoPlayer =视觉。DeployableVideoPlayer (“大小”，“自定义”，“CustomSize”480年[640]);

逐帧读取视频输入，使用检测器检测视频中的车辆。

cont = ~isDone(videoFreader);而cont I = step(video ofreader);in = imresize(I，[300,300]);out = ssdObj_detect_mex(in);步骤(depVideoPlayer);%如果视频播放器图形窗口关闭，则退出循环cont = ~isDone(videoFreader) && isOpen(depVideoPlayer);结束

参考文献

[1]刘，魏，Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed，程阳，Alexander C. Berg。“SSD:单发多盒探测器。”第14届欧洲计算机视觉会议，ECCV 2016。施普林格Verlag, 2016。