trainACFObjectDetector
ACF オブジェクト検出器に学習させる
構文
説明
detector = trainACFObjectDetector(trainingData)trainingData で指定されたイメージ内のオブジェクトの陽性インスタンスを使用します。この関数は、学習中にイメージから陰性インスタンスを自動的に収集します。グラウンド トゥルース table を作成するには、イメージ ラベラーまたはビデオ ラベラー アプリを使用します。
detector = trainACFObjectDetector(trainingData,Name=Value)ObjectTrainingSize=[100,100] は、学習中のオブジェクトの高さと幅を設定します。
例
trainACFObjectDetector と学習イメージを使用して、一時停止標識を検出できる ACF オブジェクト検出器を作成します。検出器を個別のイメージでテストします。
学習データを読み込みます。
load('stopSignsAndCars.mat')一時停止標識のイメージの前に絶対パスを付けます。
stopSigns = fullfile(toolboxdir('vision'),'visiondata',stopSignsAndCars{:,1});
データストアを作成して、一時停止標識のグラウンド トゥルース データを読み込みます。
imds = imageDatastore(stopSigns); blds = boxLabelDatastore(stopSignsAndCars(:,2));
イメージ データストアとボックス ラベル データストアを組み合わせます。
ds = combine(imds,blds);
ACF 検出器に学習させます。各ステージで使用するネガティブ サンプルの数を 2 に設定します。Verbose=false を Name-Value の引数として指定することで、学習の進行状況の出力をオフにできます。
acfDetector = trainACFObjectDetector(ds,NegativeSamplesFactor=2);
ACF Object Detector Training The training will take 4 stages. The model size is 34x31. Sample positive examples(~100% Completed) Compute approximation coefficients...Completed. Compute aggregated channel features...Completed. -------------------------------------------- Stage 1: Sample negative examples(~100% Completed) Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 19 weak learners. -------------------------------------------- Stage 2: Sample negative examples(~100% Completed) Found 84 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 20 weak learners. -------------------------------------------- Stage 3: Sample negative examples(~100% Completed) Found 84 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 54 weak learners. -------------------------------------------- Stage 4: Sample negative examples(~100% Completed) Found 84 new negative examples for training. Compute aggregated channel features...Completed. Train classifier with 42 positive examples and 84 negative examples...Completed. The trained classifier has 61 weak learners. -------------------------------------------- ACF object detector training is completed. Elapsed time is 17.9982 seconds.
ACF 検出器をテスト イメージでテストします。
img = imread('stopSignTest.jpg');
[bboxes,scores] = detect(acfDetector,img);検出結果を表示し、オブジェクトの境界ボックスをイメージに挿入します。
for i = 1:length(scores) annotation = sprintf('Confidence = %.1f',scores(i)); img = insertObjectAnnotation(img,'rectangle',bboxes(i,:),annotation); end figure imshow(img)
入力引数
ラベル付きのグラウンド トゥルース。データストアまたは table として指定します。
データストアを使用する場合は、関数
readおよび関数readallを使用してデータストアを呼び出すと、cell 配列か、列が少なくとも 2 つある table が返されるよう、データを設定しなければなりません。この表は、列に含まれるデータを示しています。Images boxes labels (optional) グレースケールまたは RGB イメージの cell ベクトル。
[x, y, width, height] の形式の境界ボックスで構成される M 行 4 列の行列。ここで、[x,y] は境界ボックスの左上の座標を表します。
オブジェクト クラス名を含む M 要素の categorical ベクトルを含む cell 配列。データストアが返すすべての categorical データには、同じカテゴリが含まれていなければなりません。
このデータを与えると、関数はクラス ラベルを使用して、
acfObjectDetectorオブジェクトとして指定された学習済みの検出器のModelNameプロパティを埋めます。それ以外の場合、ACF オブジェクト検出器は単一クラスの検出器であるため、学習にクラス ラベルは必要ありません。table を使用する場合、table は 2 列以上でなければなりません。table の最初の列には、パスを含むイメージ ファイル名が含まれていなければなりません。イメージは、グレースケールまたはトゥルーカラー (RGB) でなければならず、
imreadでサポートされている任意の形式を指定できます。残りの各列は、vehicle、flower、stop sign などの単一のオブジェクト クラスを表す M 行 4 列の行列を含む cell ベクトルでなければなりません。これらの列には、[x,y,width,height] 形式の、M 個の境界ボックスの 4 要素 double 配列が含まれます。この形式は、対応するイメージでの境界ボックスの左上隅の位置とサイズを指定します。グラウンド トゥルース table の作成には、イメージ ラベラーアプリまたはビデオ ラベラー アプリを使用できます。生成されたグラウンド トゥルースから学習データの table を作成するには、関数objectDetectorTrainingDataを使用します。
名前と値の引数
出力引数
参照
[1] Dollar, Piotr, Ron Appel, Serge Belongie, and Pietro Perona. “Fast Feature Pyramids for Object Detection.” IEEE Transactions on Pattern Analysis and Machine Intelligence. 36, no. 8 (August 2014): 1532–45. DOI.org (Crossref), https://doi.org/10.1109/TPAMI.2014.2300479.
