yolov4ObjectDetector
说明
yolov4ObjectDetector 对象创建了一个“只需看一次”第 4 版 (YOLO v4) 单阶段目标检测器，用于检测图像中的对象。使用此对象，您可以：
利用在 COCO 数据集上训练的 YOLO v4 深度学习网络，创建一个预训练的 YOLO v4 目标检测器。
使用任何预训练或未训练的 YOLO v4 深度学习网络，创建一个自定义的 YOLO v4 目标检测器。
创建对象
语法
描述
预训练的 YOLO v4 目标检测器
自定义 YOLO v4 目标检测器
detector = yolov4ObjectDetector(name,classes,aboxes)trainYOLOv4ObjectDetector 函数对检测器进行训练。
detector = yolov4ObjectDetector(net,classes,aboxes)net 构建了一个目标检测器。
如果 net 是一个预训练的 YOLO v4 深度学习网络，则该函数将创建一个预训练的 YOLO v4 目标检测器。classes 和 aboxes 是用于训练该网络的值。
如果 net 是一个未经训练的 YOLO v4 深度学习网络，则该函数将创建一个 YOLO v4 目标检测器，用于训练和推理。classes 和 aboxes 分别指定了用于训练 YOLO v4 网络的目标类别和锚框。
在执行目标检测之前，请使用 trainYOLOv4ObjectDetector 函数对网络进行训练。
detector = yolov4ObjectDetector(baseNet,classes,aboxes,DetectionNetworkSource=layer)baseNet 添加检测头，构建了一个 YOLO v4 目标检测器。
该函数向基础网络中指定的特征提取层 layer 添加检测头。要指定特征提取层的名称，请使用名称-值参量 DetectionNetworkSource=layer。
如果 baseNet 是一个预训练网络，则该函数会创建一个 YOLO v4 目标检测器，并将其配置为使用指定的目标类别和锚框进行迁移学习。
如果 baseNet 是一个未经训练的深度学习网络，则该函数会创建一个 YOLO v4 目标检测器，并将其配置为进行目标检测。classes 和 aboxes 分别指定了用于训练 YOLO v4 网络的目标类别和锚框。
在执行目标检测之前，必须先使用训练数据集对检测器进行训练。使用 trainYOLOv4ObjectDetector 函数对检测器进行训练。
注意
若要使用基于 COCO 数据集预训练的 YOLO v4 目标检测网络，您必须安装 Computer Vision Toolbox™ YOLO v4 目标检测模型。您可以从附加功能资源管理器下载并安装 Computer Vision Toolbox YOLO v4 目标检测模型。有关安装附加功能的详细信息，请参阅获取和管理附加功能。要运行此函数，您需要安装 Deep Learning Toolbox™。
输入参量
属性
对象函数
detect | Detect objects using YOLO v4 object detector |
示例
指定一个预训练的 YOLO v4 深度学习网络的名称。
name = "tiny-yolov4-coco";使用预训练的 YOLO v4 网络创建 YOLO v4 目标检测器。
detector = yolov4ObjectDetector(name);
显示并检查 YOLO v4 目标检测器的属性。
disp(detector)
yolov4ObjectDetector with properties:
Network: [1×1 dlnetwork]
AnchorBoxes: {2×1 cell}
ClassNames: {80×1 cell}
InputSize: [416 416 3]
ModelName: 'tiny-yolov4-coco'
使用 analyzeNetwork 来显示 YOLO v4 的网络架构，并获取有关网络层的信息。
analyzeNetwork(detector.Network)
使用预训练的 YOLO v4 目标检测器，在未知图像中检测目标。
img = imread("highway.png");
[bboxes,scores,labels] = detect(detector,img);显示检测结果。
detectedImg = insertObjectAnnotation(img,"Rectangle",bboxes,labels);
figure
imshow(detectedImg)
本示例演示了如何基于预训练的 ResNet-50 卷积神经网络构建 YOLO v4 目标检测网络。
加载一个预训练网络，将其用作基础网络。本示例使用 ResNet-50 预训练网络作为基础网络。有关其他可用预训练网络的信息，请参阅预训练的深度神经网络 (Deep Learning Toolbox)。
basenet = imagePretrainedNetwork("resnet50");使用 analyzeNetwork 来显示基础网络的架构。
analyzeNetwork(basenet)
基础网络的第一层是图像输入层。检查基础网络中图像输入层的属性。
basenet.Layers(1)
ans =
ImageInputLayer with properties:
Name: 'input_1'
InputSize: [224 224 3]
SplitComplexInputs: 0
Hyperparameters
DataAugmentation: 'none'
Normalization: 'zerocenter'
NormalizationDimension: 'auto'
Mean: [224×224×3 single]
要创建一个 YOLO v4 深度学习网络，必须将基础网络中 ImageInputLayer 的 Normalization 属性设置为 none。定义一个图像输入层，将其 Normalization 属性设置为 "none"，其他属性值与基础网络保持一致。
imageSize = basenet.Layers(1).InputSize;
layerName = basenet.Layers(1).Name;
newInputLayer = imageInputLayer(imageSize,Normalization="none",Name=layerName);将基础网络中的图像输入层替换为新的输入层。
dlnet = replaceLayer(basenet,layerName,newInputLayer);
指定基础网络中用作检测头的特征提取层的名称。
featureExtractionLayers = ["activation_22_relu","activation_40_relu"];
指定用于训练以 ResNet-50 为基础网络构建的 YOLO v4 深度学习网络的类名和锚框。
classes = ["car","person"]; anchorBoxes = {[122,177;223,84;80,94];... [111,38;33,47;37,18]};
使用指定的基础网络和检测头，创建一个 YOLO v4 目标检测器。
detector = yolov4ObjectDetector(dlnet,classes,anchorBoxes, ...
DetectionNetworkSource=featureExtractionLayers);显示并检查 YOLO v4 目标检测器的属性。
disp(detector)
yolov4ObjectDetector with properties:
Network: [1×1 dlnetwork]
AnchorBoxes: {2×1 cell}
ClassNames: {2×1 cell}
InputSize: [224 224 3]
PredictedBoxType: 'axis-aligned'
ModelName: ''
使用 analyzeNetwork 来显示 YOLO v4 的网络架构，并获取有关网络层的信息。
analyzeNetwork(detector.Network)
本示例演示了如何使用预训练的 YOLO v4 目标检测器来检测行人。
加载预训练的 YOLO v4 检测器，该检测器可检测 80 种常见物体类别。
detector = yolov4ObjectDetector();
读取待处理的图像。
I = imread("visionteam.jpg");运行目标检测器。
[bboxes, scores, labels] = detect(detector, I, Threshold=0.4);
选择“人”类别的检测结果。
personBoxes = bboxes(labels=="person", :);显示结果。
detectedImg = insertObjectAnnotation(I, "Rectangle", personBoxes, "person"); figure imshow(detectedImg)
