主要内容

向前

计算YOLO v3深度学习网络输出用于训练

折叠页面

    语法

    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)

    描述

    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．

    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。

    例子

    ［特性，激活，状态= forward(向前)探测器，dlX）还返回更新的网络状态。

    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™。

    例子

    全部折叠

    这个例子使用:

    打开实时脚本

    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。

    [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。

    [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

    输入参数

    全部折叠

    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。

    输出参数

    全部折叠

    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。

    激活 描述
    相依 每个边界框的估计置信度分数。
    bx 估计X-边界框中心相对于网格单元格位置的坐标值。
    by 估计Y-边界框中心相对于网格单元格位置的坐标值。
    bw 边界框相对于网格单元格位置的估计宽度。
    bh 边界框相对于网格单元格位置的估计高度。
    概率 输出特征图中每个特征估计的类概率。
    tw 网络估计的边界框的先验宽度。
    th 网络估计的边界框的先验高度。

    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。

    • 参数-参数名称，以字符串标量返回。

    • 价值-参数的值，作为数值数组对象返回。

    网络状态包含网络在迭代之间记住的信息。

    另请参阅

    ||

    主题

    在R2021a中引入

    计算机视觉工具箱文档

    金宝app

    用MATLAB介绍深度学习

    用MATLAB介绍深度学习

    下载电子书