文档帮助中心文档
计算YOLO v3深度学习网络输出用于训练
特征= forward(检测器,dlX)
[特征,激活]= forward(检测器,dlX)
[特征,激活,状态]= forward(检测器,dlX)
特性= (探测器,dlX)在给定输入数据的训练过程中计算网络的输出特征dlX.
特性= (探测器,dlX)
特性
探测器
dlX
例子
[特性,激活= forward(向前)探测器,dlX)也计算网络的激活,你可以用它来模拟梯度损失。
[特性,激活= forward(向前)探测器,dlX)
激活
[特性,激活,状态= forward(向前)探测器,dlX)还返回更新的网络状态。
[特性,激活,状态= forward(向前)探测器,dlX)
状态
请注意
此函数需要计算机视觉工具箱™模型用于YOLO v3对象检测.您可以安装YOLO v3目标检测的计算机视觉工具箱模型从加载项资源管理器。有关安装附加组件的详细信息,请参见获取和管理附加组件.要运行此函数,您将需要Deep Learning Toolbox™。
全部折叠
这个例子使用:
加载一个预训练的YOLO v3对象检测器。
= yolov3ObjectDetector(“tiny-yolov3-coco”);
阅读一幅用于训练的图片。
I = imread()“highway.png”);
对训练数据进行预处理,并将预处理后的训练数据转换为格式化的训练数据dlarray对象。
dlarray
[Ip,info] = preprocess(检测器,I);Ip = im2single(Ip);dlX = dlarray(Ip,“SSCB”);
计算训练过程中得到的网络输出。的向前函数返回YOLO v3深度学习网络输出层的激活值。第一列包含置信度分数。第2至5列包含相对于网格单元格坐标计算的边界框位置。第六列包含训练期间使用的每个类的类概率。第七列和第八列分别包含由网络计算的边界框的先前宽度和先前高度。在前向传递过程中计算的输出特征用于模拟网络的梯度损失。
向前
[输出,激活,状态]= forward(检测器,dlX)
输出=2×8单元阵列{13×13×3单}{13×13×3单}{13×13×3单}{13×13×3单}{13×13×3单}{13×13×240单}{13×13×3单}{13×13×3单}{26 26××3单}{26 26××3单}{26 26××3单}{26 26××3单}{26 26××3单}{26 26××240单}{26 26××3单}{26 26××3单}
激活=2×8单元阵列{13×13×3×1 dlarray}{13×13×3×1 dlarray}{13×13×3×1 dlarray}{13×13×3×1 dlarray}{13×13×3×1 dlarray}{13×13×240×1 dlarray}{13×13×3×1 dlarray}{13×13×3×1 dlarray}{26×2×3×1 dlarray}{26×2×3×1 dlarray}{26×2×3×1 dlarray}{26×2×3×1 dlarray}{26×2×3×1 dlarray}{26×2×240×1 dlarray}{26×2×3×1 dlarray}{26×2×3×1 dlarray}
状态=22×3表层参数值 ______________ _________________ __________________ " batch_norm_1”“TrainedMean”{1×1×16 dlarray}”batch_norm_1”“TrainedVariance“{1×1×16 dlarray}”batch_norm_2”“TrainedMean“{1×1×32 dlarray}”batch_norm_2”“TrainedVariance“{1×1×32 dlarray}”batch_norm_3”“TrainedMean“{1×1×64 dlarray}”batch_norm_3”“TrainedVariance“{1×1×64 dlarray}”batch_norm_4”“TrainedMean“{1×1×128 dlarray}”batch_norm_4”“TrainedVariance“{1×1×128 dlarray}”batch_norm_5 TrainedMean”{1×1×256“batch_norm_5”“TrainedVariance”{1×1×256 dlarray}“batch_norm_6”“TrainedMean”{1×1×512 dlarray}“batch_norm_6”“TrainedVariance”{1×1×512 dlarray}“batch_norm_7”“TrainedMean”{1×1×1024 dlarray}“batch_norm_7”“TrainedVariance”{1×1×1024 dlarray}“batch_norm_8”“TrainedMean”{1×1×256 dlarray}“batch_norm_8”“TrainedVariance”{1×1×256 dlarray
yolov3ObjectDetector
YOLO v3对象检测器,指定为ayolov3ObjectDetector对象。
训练数据,指定为格式化的dlarray(深度学习工具箱)对象。
以方框坐标形式输出特征,作为返回N- × 8单元阵列。N为YOLO v3深度学习网络的输出层数。
网络的激活状态,返回为N-by-8单元格数组的格式化dlarray(深度学习工具箱)对象。N为YOLO v3深度学习网络的输出层数。
单元格数组中的每一行的形式为[相依bxbybwbh概率twth]。该函数返回每个激活作为格式化的dlarray(深度学习工具箱)价值。
更新的网络状态,以表的形式返回。网络状态是一个三列表:
层-层名,作为字符串标量返回。
层
参数-参数名称,以字符串标量返回。
参数
价值-参数的值,作为数值数组对象返回。
价值
网络状态包含网络在迭代之间记住的信息。
yolov3ObjectDetector|进行预处理|检测
进行预处理
检测
不排除不确定的版本,修改不确定的问题。Desideri priprie的问题是什么?
在MATLAB中编写了一种常用的求解方法:
Esegui将在MATLAB中执行编译。I浏览器网页不支持命令MATLAB。金宝app
选择一个网站获取翻译后的内容,并查看当地的活动和优惠。根据您的位置,我们建议您选择:.
你亦可选择下列网址:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家网站没有针对您所在位置的访问进行优化。
与当地办事处联系