主要内容

使用Yolo V2代码生成对象检测

此示例使用：

打开实时脚本

此示例显示了如何仅查看一次（YOLO）V2对象检测器来生成CUDA®MEX。Yolo V2对象检测网络由两个子网组成。功能提取网络，然后是检测网络。此示例为在该网络中生成代码使用Yolo V2深学习的对象检测计算机视觉工具箱™的示例。有关更多信息，请参阅使用Yolo V2深学习的对象检测。您可以修改此示例，以生成CUDA®MEX的导入网络进口预估计的ONNX YOLO V2对象检测器计算机视觉工具箱™的示例。有关更多信息，请参阅进口预估计的ONNX YOLO V2对象检测器。

第三方先决条件

必需的

此示例生成CUDA MEX，并具有以下第三方要求。

  • CUDA®启用了NVIDIA®GPU和兼容的驱动程序。

可选的

对于非MEX构建，例如静态，动态库或可执行文件，此示例具有以下其他要求。

验证GPU环境

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

envcfg = coder.gpuenvconfig（'主持人'）；envcfg.deeplibtarget ='cudnn';envcfg.deepcodegen = 1;envcfg.quiet = 1;coder.checkgpuinstall（envcfg）;

进行验证的dagnetwork

此示例使用yolov2Resnet50 vehiclesampame包含验证网络的垫子文件。该文件的大小约为98MB。从Mathworks网站下载文件。

matfile = matlab.internal.examples.download金宝appsupportfile（“视觉/数据”，，，，'yolov2Resnet50 vehicleexample.mat'）；VERICLEDETECTOR =负载（矩阵）;net = vehicledetector.detector.network
net =带有属性的dagnetwork：层：[150×1 nnet.cnn.layer.layer]连接：[162×2 table] inputNames：{'input_1'} outputnames：{'yolov2outputputlayer'}

DAG网络包含150层，包括卷积，relu和批处理标准化层以及Yolo V2变换和Yolo V2输出层。要显示深度学习网络体系结构的互动可视化，请使用分析（深度学习工具箱）功能。

分析（NET）;

这yolov2_detect入口点功能

这yolov2_detect.m入口点功能采用图像输入，并使用保存在图像上的检测器在图像上运行检测器yolov2Resnet50 vehicleexample.mat文件。该功能从yolov2Resnet50 vehicleexample.mat归档到持久变量yolov2obj并在后续检测调用中重复持久对象。

类型（'yolov2_detect.m'）
函数OUTIMG = YOLOV2_DETECT（IN，矩阵）％版权2018-2021 The Mathworks，Inc。持续Yolov2OBJ;如果ISEMPTY（YOLOV2OBJ）YOLOV2OBJ = CODER.LOADDEEPLEARNINGNETWORK（MATFILE）;end％呼叫检测方法[bboxes，〜，labels] = yolov2obj.detect（in，''threshold'，0.5）;％将分类标签转换为炭矢量标签的细胞阵列= Cellstr（标签）;图像中的注释检测％。OUTIMG = insertObjectAnnotation（in，'Rectangle'，Bboxes，标签）;

运行MEX代码生成

要为入口点函数生成CUDA代码，请为MEX目标创建GPU代码配置对象，并将目标语言设置为C ++。使用coder.deeplearningconfig（GPU编码器）创建一个功能库丁深度学习配置对象并将其分配给深度学习GPU代码配置对象的属性。跑过代码根命令指定输入大小为224 by-224-by-3。该值对应于Yolov2的输入层大小。

cfg = coder.gpuconfig（'Mex'）；cfg.targetlang ='C ++';cfg.deeplearningconfig = coder.deeplearningconfig（'cudnn'）；cfg.generatereport = true;inputargs = {一个（224,224,3，'uint8'），coder.constant（matfile）};代码根-configCFGyolov2_detect-args输入
代码生成成功：查看报告

运行产生的mex

设置视频文件读取器并读取输入视频。创建视频播放器以显示视频和输出检测。

视频='Highway_lanechange.mp4';videofreader = vision.videofilereader（videofile，“ videooututputdatatype”，，，，'uint8'）；DepVideOplayer = Vision.DeployableVideOplayer（'尺寸'，，，，'风俗'，，，，'自定义大小'，[640 480]）;

阅读视频限制框架，并使用检测器检测视频中的车辆。

续= 〜ISDONE（videofreader）;尽管cont i = step（videofreader）;in = imresize（i，[224,224]）;out = yolov2_detect_mex（in，matfile）;step（DepVideOplayer，out）;如果关闭视频播放器窗口，则会退出循环cont = 〜ISDONE（videOfReader）&& isopen（depVideOplayer）;结尾

参考

[1] Redmon，Joseph和Ali Farhadi。“ Yolo9000：更好，更快，更强壮。”2017 IEEE计算机视觉和模式识别会议（CVPR）。IEEE，2017年。

版权2017-2021 The Mathworks，Inc。