指定用于训练网络的输入图像的大小。

imageSize = [224 224 3];

指定网络必须检测的对象类的数量。

numClasses = 1;

定义锚框。

锚箱= [1 1;4 6;5 3;9 6];

指定预训练的ResNet -50网络作为YOLO v2的基础网络。要使用这个预训练的网络，您需要安装“ResNet-50网络的深度学习工具箱模型”支持包。金宝app

网络= resnet50();

分析网络体系结构，查看所有网络层。

analyzeNetwork(网络)

指定用于特征提取的网络层。您可以选择除全连接层之外的任何层作为特征层。

featureLayer =“activation_49_relu”；

创建YOLO v2对象检测网络。网络返回为LayerGraph对象。

lgraph = yolov2Layers(imageSize,numClasses,anchorBoxes,network,featureLayer);

分析YOLO v2网络结构。特征层之后的层被移除。一系列卷积、ReLU和批处理归一化层以及YOLO v2转换和YOLO v2输出层被添加到基础网络的特征层。

analyzeNetwork (lgraph)

指定用于训练网络的输入图像的大小。

imageSize = [224 224 3];

指定网络必须检测的对象类的数量。

numClasses = 1;

定义锚框。

锚箱= [1 1;4 6;5 3;9 6];

指定预训练的ResNet -50作为YOLO v2的基础网络。要使用这个预训练的网络，您需要安装“ResNet-50网络的深度学习工具箱模型”支持包。金宝app

网络= resnet50();

分析网络体系结构，查看所有网络层。

analyzeNetwork(网络)

指定用于特征提取的网络层。您可以选择除全连接层之外的任何层作为特征层。

featureLayer =“activation_49_relu”；

指定网络层作为重组层的源。

reorgLayer =“activation_47_relu”；

创建YOLO v2对象检测网络。网络返回为LayerGraph对象。

lgraph = yolov2Layers(imageSize,numClasses,anchorBoxes,network,featureLayer，“ReorglayerSource”, reorgLayer);

分析YOLO v2网络结构。特征层之后的层被移除。检测子网与YOLO v2变换和YOLO v2输出层一起添加到基础网络的特征层。网络中还增加了重组层和深度级联层。YOLO v2重组层重新组织输出特征的维度activation_47_relu层。深度级联层将重组层的输出与较高层的输出进行级联。

analyzeNetwork (lgraph)