基于matlab使用 YOLO V2深度学习进行多类对象检测（附源码）-编程知识

基于matlab使用 YOLO V2深度学习进行多类对象检测（附源码）

一、前言

此示例演示如何训练多类对象检测器。

深度学习是一种强大的机器学习技术，可用于训练强大的多类对象检测器，例如 YOLO v2、YOLO v4、SSD 和 Faster R-CNN。此示例使用该函数训练 YOLO v2 多类室内对象检测器。经过训练的物体检测器能够检测和识别多个不同的室内物体。

二、使用预训练检测器执行对象检测

读取包含目标类对象的测试图像并将其显示。

下载并加载预训练的 YOLO v2 对象检测器。使用该函数检测图像中的对象及其标签。通过使用函数在图像上叠加检测到的边界框来可视化预测。

三、加载数据集

此示例使用由 Bishwo Adhikari 创建的室内物体检测数据集。该数据集由从室内场景中收集的 2213 个标记图像组成，包含 7 个类 - 灭火器、椅子、时钟、垃圾桶、屏幕和打印机。每个图像都包含上述类别的一个或多个标记实例。

下载数据集。图像被组织到不同序列的6个文件夹中。通过指定不同的文件夹路径来创建。文件中提供了注释和数据集拆分。加载与训练、验证和测试拆分对应的注释和索引。请注意，拆分总共包含 2207 张图像，而不是 2213 张图像，因为 6 张图像没有与之关联的标签。将包含标签的图像的索引存储在中。最后，将和 .通过使用命令并指定预加载的索引，将组合数据存储拆分为训练数据存储、验证数据存储和测试数据存储。

四、分析数据

首先，使用数据集可视化数据集中的示例图像。

若要测量数据集中类标签的分布，请使用按类标签计算对象数。按类可视化计数。

此数据集中的类是不平衡的。如果处理不当，这种不平衡可能会对学习过程有害，因为学习偏向于主导阶级。有多种技术用于处理此问题 - 对代表性不足的类进行过采样，修改损失函数和数据增强。您将在后面的部分中将数据增强应用于训练数据。

五、创建 Yolov2 对象检测网络

对于此示例，您将创建一个 YOLO v2 对象检测网络。YOLO v2 对象检测网络由两个子网组成。特征提取网络后跟检测网络。特征提取网络通常是预训练的CNN。此示例使用 ResNet-50 进行特征提取。

首先，指定网络输入大小和类数。选择网络输入大小时，请考虑网络本身所需的最小大小、训练图像的大小以及以所选大小处理数据所产生的计算成本。如果可行，请选择接近训练图像大小且大于网络所需输入大小的网络输入大小。但是，降低图像分辨率会使对象检测器更难检测到较小的对象。要在运行示例的准确性和计算成本之间保持平衡，请将网络输入大小指定为 [450 450 3]。

定义要检测的对象类数。择基础网络和要素提取图层。选择“activation_40_relu”作为要素提取图层，以将“activation_40_relu”后面的图层替换为检测子网。此特征提取层输出的要素图按系数 16 进行下采样。这种下采样量是空间分辨率和提取特征强度之间的良好权衡，因为网络下游提取的特征以空间分辨率为代价编码更强的图像特征。选择最优特征提取层需要实证分析。预处理训练数据以准备训练数据。预处理函数将调整图像和边界框的大小。此外，它还清理边界框以将其转换为有效形状。接下来，使用 estimateAnchorBox 根据训练数据中对象的大小估计两个锚框。选择最佳数量的锚框需要进行实证分析。

使用 yolov2Layers 函数创建 YOLO v2 对象检测网络。