为使用 YOLO v2 的目标检测生成代码

您所在的位置：网站首页 › matlab如何导出dat文件 › 为使用 YOLO v2 的目标检测生成代码

为使用 YOLO v2 的目标检测生成代码

2023-06-06 00:44| 来源: 网络整理| 查看: 265

第三方前提条件

必需

此示例生成 CUDA MEX，并具有以下第三方要求。

CUDA® 支持 NVIDIA® GPU 和兼容驱动程序。

可选

对于非 MEX 编译，如静态、动态库或可执行文件，此示例有以下附加要求。

NVIDIA 工具包。

NVIDIA cuDNN 库。

编译器和库的环境变量。有关详细信息，请参阅Third-Party Hardware (GPU Coder)和Setting Up the Prerequisite Products (GPU Coder)。

验证 GPU 环境

使用 coder.checkGpuInstall (GPU Coder) 函数验证运行此示例所需的编译器和库是否已正确设置。

envCfg = coder.gpuEnvConfig('host'); envCfg.DeepLibTarget = 'cudnn'; envCfg.DeepCodegen = 1; envCfg.Quiet = 1; coder.checkGpuInstall(envCfg);获取预训练的 DAGNetwork

此示例使用包含预训练网络的 yolov2ResNet50VehicleExample MAT 文件。文件大小约为 98MB。从 MathWorks 网站下载该文件。

matFile = matlab.internal.examples.downloadSupportFile('vision/data','yolov2ResNet50VehicleExample.mat'); vehicleDetector = load(matFile); net = vehicleDetector.detector.Networknet = DAGNetwork with properties: Layers: [150×1 nnet.cnn.layer.Layer] Connections: [162×2 table] InputNames: {'input_1'} OutputNames: {'yolov2OutputLayer'}

DAG 网络包含 150 层，包括卷积层、ReLU 层和批量归一化层，以及 YOLO v2 变换层和 YOLO v2 输出层。要以交互可视方式呈现深度学习网络架构，请使用 analyzeNetwork 函数。

analyzeNetwork(net); yolov2_detect 入口函数

yolov2_detect.m 入口函数以图像作为输入，并使用保存在 yolov2ResNet50VehicleExample.mat 文件中的深度学习网络对图像运行检测器。该函数将 yolov2ResNet50VehicleExample.mat 文件中的网络对象加载到持久变量 yolov2Obj 中，并在后续的检测调用中重用该持久性对象。

type('yolov2_detect.m')function outImg = yolov2_detect(in,matFile) % Copyright 2018-2021 The MathWorks, Inc. persistent yolov2Obj; if isempty(yolov2Obj) yolov2Obj = coder.loadDeepLearningNetwork(matFile); end % Call to detect method [bboxes,~,labels] = yolov2Obj.detect(in,'Threshold',0.5); % Convert categorical labels to cell array of charactor vectors labels = cellstr(labels); % Annotate detections in the image. outImg = insertObjectAnnotation(in,'rectangle',bboxes,labels); 运行 MEX 代码生成

要为入口函数生成 CUDA 代码，请为 MEX 目标创建一个 GPU 代码配置对象，并将目标语言设置为 C++。使用 coder.DeepLearningConfig (GPU Coder) 函数创建一个 CuDNN 深度学习配置对象，并将其赋给 GPU 代码配置对象的 DeepLearningConfig 属性。运行 codegen 命令，指定 224×224×3 输入大小。该值对应于 YOLOv2 的输入层大小。

cfg = coder.gpuConfig('mex'); cfg.TargetLang = 'C++'; cfg.DeepLearningConfig = coder.DeepLearningConfig('cudnn'); cfg.GenerateReport = true; inputArgs = {ones(224,224,3,'uint8'),coder.Constant(matFile)}; codegen -config cfg yolov2_detect -args inputArgsCode generation successful: View report 运行生成的 MEX

设置视频文件读取器并读取输入视频。创建视频播放器来显示视频和输出检测。

videoFile = 'highway_lanechange.mp4'; videoFreader = vision.VideoFileReader(videoFile,'VideoOutputDataType','uint8'); depVideoPlayer = vision.DeployableVideoPlayer('Size','Custom','CustomSize',[640 480]);

逐帧读取视频输入，并使用检测器检测视频中的车辆。

cont = ~isDone(videoFreader); while cont I = step(videoFreader); in = imresize(I,[224,224]); out = yolov2_detect_mex(in,matFile); step(depVideoPlayer, out); % Exit the loop if the video player figure window is closed cont = ~isDone(videoFreader) && isOpen(depVideoPlayer); end

参考资料

[1] Redmon, Joseph, and Ali Farhadi."YOLO9000:Better, Faster, Stronger."2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).IEEE, 2017.

【本文地址】

为使用 YOLO v2 的目标检测生成代码

为使用 YOLO v2 的目标检测生成代码

今日新闻

推荐新闻