主要内容

Yolo V2入门

仅You-On-Once（YOLO）V2对象检测器使用单个阶段对象检测网络。Yolo V2比其他两阶段的深度学习对象检测器快，例如具有卷积神经网络的区域（更快的R-CNN）。

Yolo V2模型在输入图像上运行深度学习的CNN，以产生网络预测。对象检测器解码预测并生成边界框。

预测图像中的对象

Yolo V2使用锚框来检测图像中的对象类。有关更多详细信息，请参阅锚盒用于对象检测。Yolo V2预测了每个锚点的这三个属性：

  • 联合（IOU）的交叉点 - 预测每个锚点的客观性得分。

  • 锚点偏移 - 完善锚点位置

  • 类概率 - 预测分配给每个锚点框的类标签。

该图显示了特征映射中每个位置的预定义锚点（虚线），并在应用偏移后的精制位置。带有类的匹配框为彩色。

转移学习

通过转移学习，您可以在YOLO V2检测网络中使用验证的CNN作为特征提取器。使用yolov2layers例如，从任何预算的CNN创建Yolo V2检测网络，例如Mobilenet V2。有关CNN的列表，请参阅预处理的深神经网络（深度学习工具箱）

您还可以根据验证的图像分类CNN设计自定义模型。有关更多详细信息，请参阅设计Yolo V2检测网络。

设计Yolo V2检测网络

您可以按一层设计自定义的Yolo V2型号。该模型以功能提取器网络开头，该网络可以从验证的CNN初始化或从头开始训练。检测子网包含一系列转换，，，，批量规范， 和relu层，然后是转换和输出层，yolov2transformlayer和yolov2outputlayer对象分别。yolov2transformlayer将原始CNN输出转换为产生对象检测所需的形式。yolov2outputlayer定义锚点参数并实现用于训练检测器的损耗函数。

您也可以使用深网设计师（深度学习工具箱）应用程序手动创建网络。设计师合并了计算机视觉工具箱™YOLO V2功能。

设计带有reorg层的Yolo V2检测网络

重组层（使用spacetodepthlayer对象）和深度串联层（使用DepthCatenationLayer（深度学习工具箱）对象）用于组合低级和高级功能。这些层通过添加低级图像信息并提高较小物体的检测准确性来改善检测。通常，将重组层连接到特征提取网络中的一层，该特征提取网络的输出映射大于特征提取层输出。

小费

有关如何创建这种网络的更多详细信息，请参见创建Yolo V2对象检测网络。

训练对象检测器并使用Yolo V2模型检测对象

要通过使用CNN使用Yolo深度学习技术来学习如何训练对象探测器使用Yolo V2深学习的对象检测例子。

代码生成

学习如何产生cuda®使用Yolo V2对象检测器的代码（使用Yolov2ObjectDetector对象）请参见使用Yolo V2代码生成对象检测。

深度学习的标签培训数据

您可以使用图像标签，，，，视频标签， 或者地面真相标签（自动驾驶工具箱）应用程序可交互标记像素和导出标签数据进行培训。这些应用程序还可以用于标记感兴趣的矩形区域（ROI）进行对象检测，图像分类的场景标签和用于语义分割的像素。要创建来自任何标签者导出的地面真相对象的培训数据，您可以使用ObjectDetectorTrainingData或者PixellabelTrainingData功能。有关更多详细信息，请参阅培训数据以进行对象检测和语义细分。

参考

[1] Redmon，Joseph和Ali Farhadi。“ Yolo9000：更好，更快，更强壮。”在2017 IEEE计算机视觉和模式识别会议（CVPR），6517–25。檀香山，HI：IEEE，2017年。https：//doi.org/10.1109/cvpr.2017.690。

[2] Redmon，Joseph，Santosh Divvala，Ross Girshick和Ali Farhadi。“您只看一次：统一的实时对象检测。”IEEE计算机视觉和模式识别会议论文集（CVPR），779–788。拉斯维加斯，内华达州：CVPR，2016年。

也可以看看

应用

对象

功能

相关示例

更多关于