预测对象在图像

YOLO v2意思使用锚箱检测类的对象在一个图像。更多细节,请参阅锚箱对象检测,YOLO v2意思预测这三个属性为每个锚箱:

该图显示了预定义的锚箱(虚线)在每个位置的特性应用地图和精制后位置偏移。颜色匹配的盒子和一个类。

转移学习

迁移学习,您可以使用一个pretrained CNN的特征提取器YOLO v2意思检测网络。使用yolov2Layers函数创建一个YOLO v2检测网络从任何pretrained CNN,意思为例MobileNet v2。的pretrained cnn,明白了Pretrained深层神经网络(深度学习工具箱)

你也可以设计一个自定义模型基于pretrained图像分类CNN。更多细节,请参阅设计一个YOLO v2意思检测网络。

设计一个YOLO v2意思检测网络

你可以设计一个自定义YOLO v2模型一层一层地意思。器网络模型从一个功能,可以初始化从pretrained CNN或从头开始训练。包含一系列的检测子网Conv,批处理规范,线性整流函数（Rectified Linear Unit）层,其次是转换和输出层,yolov2TransformLayer和yolov2OutputLayer对象,分别。yolov2TransformLayer将原始CNN输出转换成所需的对象探测一种形式。yolov2OutputLayer定义锚箱参数并实现了损失函数用于训练检测器。

您还可以使用深层网络设计师(深度学习工具箱)手动创建一个网络应用程序。设计师融合了计算机视觉工具箱™YOLO v2意思特性。

培训对象探测器,探测对象YOLO v2意思模型

学习如何培训对象探测器利用YOLO深度学习技术与CNN,意思看对象检测使用YOLO v2意思深入学习的例子。

代码生成

学习如何生成CUDA^®代码使用YOLO v2意思对象探测器(使用创建的yolov2ObjectDetector对象)看到代码生成的对象检测使用YOLO v2的意思。

标签为深度学习训练数据

您可以使用图片标志,贴标签机视频,或地面实况贴标签机(自动驾驶工具箱)应用程序交互式地标签像素和出口标签数据进行训练。应用程序也可以使用标签矩形对象检测感兴趣的区域(roi),场景图像分类标签,和像素为语义分割。创建培训数据从任何贴标签机出口的地面真值对象,您可以使用objectDetectorTrainingData或pixelLabelTrainingData功能。更多细节,请参阅培训对象检测数据和语义分割。