Matlab实现Faster-RCNN目标检测

用Matlab自带的FastRcnnNetwork工具箱实现深度学习目标检测

一.搭建训练数据集和验证数据集

用的是Matlab2018a以上版本里的应用程序带的ImageLabeler来进行数据标记：

将标记好的数据以.groundTruth格式导入到工作区间，并且要存储到文件夹里。这里是以.mat的格式存储到了matlab的路径下。一定要注意要将.groundTruth变量中的LabelData数据全部转化为double格式(如果以struct格式存在,后面数据集提取时会报错。)

二.数据整合与模型训练

详见Matlab参考文档

或者直接在命令行输入指令:

help trainFasterRCNNObjectDetector

查看参考文档对数据集进行划分和参数设置操作。

load('gTruth.mat');
holesTrainingDataset = objectDetectorTrainingData(gTruth);
trainingData  = holesTrainingDataset;
rng(0);
shuffledIdx = randperm(height(trainingData));
trainingData = trainingData(shuffledIdx,:);
imds = imageDatastore(trainingData.imageFilename);
blds = boxLabelDatastore(trainingData(:,2:end));
ds = combine(imds, blds);options = trainingOptions('sgdm', ...'MiniBatchSize', 1, ...'InitialLearnRate', 1e-3, ...'MaxEpochs', 10, ...'VerboseFrequency', 200, ...'CheckpointPath', tempdir);inputImageSize = [70 86 3];numClasses = 1;anchorBoxes = [8,8; 12,12; 24 24];network = 'resnet50';featureLayer = 'activation_40_relu';lgraph = fasterRCNNLayers(inputImageSize, numClasses, anchorBoxes,network,featureLayer); detector = trainFasterRCNNObjectDetector(ds,lgraph,options);
%% 以下是将数据进行保存在RCNNStructure2.mat中的操作save('RCNNStructure2','detector');

当模型训练完成后会在命令行有如下提示:

*************************************************************************
Training a Faster R-CNN Object Detector for the following object classes:* holes警告: 数据存储输入不可乱序，但 trainingOptions 指定了乱序。训练将继续，而不进行乱序处理。
> In nnet.internal.cnn.DataDispatcherFactory>iCheckDatastoreSupportTrainingOptions (line 346)In nnet.internal.cnn/DataDispatcherFactory/createDataDispatcherMIMO (line 127)In vision.internal.cnn.trainNetwork>iCreateTrainingDataDispatcher (line 180)In vision.internal.cnn.trainNetwork (line 34)In trainFasterRCNNObjectDetector>iTrainEndToEnd (line 868)In trainFasterRCNNObjectDetector (line 419)In Untitled2 (line 28)
在单 CPU 上训练。
正在初始化输入数据归一化。
｜＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝｜
｜　　轮　　｜　　迭代　　｜　　　　经过的时间　　　　　｜　　小批量损失　　｜　　小批量准确度　　｜　　小批量　ＲＭＳＥ　　｜　　ＲＰＮ　Ｍｉｎｉ－ｂａｔｃｈ　　｜　　ＲＰＮ　Ｍｉｎｉ－ｂａｔｃｈ　　｜　　基础学习率　　｜
｜　　　　　｜　　　　　　｜　　（ｈｈ：ｍｍ：ｓｓ）　　｜　　　　　　　　　｜　　　　　　　　　　｜　　　　　　　　　　　　｜　　　　　Ａｃｃｕｒａｃｙ　　　　　｜　　　　　　　ＲＭＳＥ　　　　　　　｜　　　　　　　　　｜
｜＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝｜
｜　　　１　｜　　　　１　｜　　　　　００：００：４２　｜　　１．５５６４　｜　　　６８．９９％　｜　　　　　　　０．１７　｜　　　　　　　　　　　８３．６７％　｜　　　　　　　　　　　　　０．８５　｜　　０．００１０　｜
｜　　　７　｜　　２００　｜　　　　　０２：１９：００　｜　　０．２２２２　｜　　　９７．６７％　｜　　　　　　　０．１４　｜　　　　　　　　　　１００．００％　｜　　　　　　　　　　　　　０．５２　｜　　０．００１０　｜
｜　　１０　｜　　３００　｜　　　　　０３：２７：４１　｜　　０．４２９６　｜　　　９７．１２％　｜　　　　　　　０．０６　｜　　　　　　　　　　１００．００％　｜　　　　　　　　　　　　　０．９７　｜　　０．００１０　｜
｜＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝｜
Detector training complete.
*******************************************************************

三.模型的测试

以下是测试代码:

function vecI = fastRCNNTest
load('RCNNStructure2.mat');
[filename pathname filterindex] = uigetfile(...{'*.png','图像文件(*.png)';...'*.jpg','图像文件(*.jpg)';...'*.*','所有文件(*.*)'},...'选择图像文件','MultiSelect','off',...pwd);
filePath = 0;
if isequal(filename,0)||isequal(pathname,0) %只要这里面表示返回或没有合适的文件时候return;
end
Path = fullfile(pathname,filename);
I = imread(Path);
[bboxes,scores] = detect(detector,I);
allShow = inputdlg('请问是否显示检测图片','显示图片',1,{'yes'});
if strcmp(allShow{1},'yes')X = insertObjectAnnotation(I,'rectangle',bboxes,scores);figure(100);imshow(X);
end
everyShow = inputdlg('请问是否显示每张图片','显示图片',1,{'yes'});
if strcmp(everyShow{1},'yes')numbers = size(bboxes,1);testPic = cell(numbers,3);
for i = 1:numbersfigure(i)M = bboxes(i,:);vecI{i} = I(M(2):(M(2)+ M(4)),M(1):(M(1)+M(3)),:);imshow(vecI{i});
end
end
end

随机拿一张测试图片进行测试操作:

可见右侧的孔还是没有监测出来，还有就是训练的时间太长了。

Matlab实现Faster-RCNN目标检测相关推荐

【Faster RCNN detectron2】detectron2实现Faster RCNN目标检测
目录 1. 背景介绍 2.安装步骤 3.Faster RCNN目标检测 4. 效果 5.错误解决 6.参考博客 7,下一节代码解析在上一篇博客记录了 SlowFast的复现过程,slowfast其中 ...
阿里巴巴提出Auto-Context R-CNN算法，刷出Faster RCNN目标检测新高度
基于区域的CNN(R-CNN),在目标检测领域具有统治地位,在兴趣区域(RoI)上的操作比如RoIPooling和RoIAlign扮演了重要角色,但是它们只利用了兴趣区域内的信息,而兴趣区域附近的上下 ...
经验 | 详解 Faster R-CNN目标检测的实现过程
计算机视觉联盟报道转载于 :机器之心 Faster R-CNN 实现代码:https://github.com/tryolabs/luminoth/tree/master/luminoth/mo ...
Pytorch搭建Faster R-CNN目标检测平台
学习前言什么是FasterRCNN目标检测算法源码下载 Faster-RCNN实现思路一.预测部分 1.主干网络介绍 2.获得Proposal建议框 3.Proposal建议框的解码 4.对Pr ...
Tensorflow faster RCNN目标检测车牌
主要是利用Tensorflow官方examples提供的API来实现目标检测,官方examples,打开链接你会发现官方其实已经实现了很多的例子了,包括目标检测,自编码器,OCR,GAN,img2tx ...
一文读懂Faster R-CNN目标检测
目标检测就是将对目标的分割和识别合二为一,是一种基于目标几何和统计特征的图像分割.当需要在一个复杂场景中对多个目标进行实时处理时,目标的自动提取和识别就尤其重要.简而言之,目标检测与识别就是指从一张图 ...
Ubuntu18.04 配置detectron2实现Faster RCNN目标检测和Mask RCNN实例分割(一)
1. 背景介绍 detectron2项目地址:https://github.com/facebookresearch/detectron2 FasterRCNN论文:https://arxiv.org ...
深度篇——目标检测史(二) 细说 R-CNN 目标检测
返回主目录返回目标检测史目录上一章:深度篇--目标检测史(一) 关于古典目标检测下一章:深度篇--目标检测史(三) 细说 SPP-Net 目标检测论文地址:<Rich feat ...
DL之Mask R-CNN：2018.6.26世界杯阿根廷队VS尼日利亚比赛2:1实现Mask R-CNN目标检测
DL之Mask R-CNN:2018.6.26世界杯阿根廷队VS尼日利亚比赛2:1实现Mask R-CNN目标检测目录输出结果人身检测核心代码输出结果先上目标检测结果人身检测观众席:众 ...
非极大值抑制_【计算机视觉——RCNN目标检测系列】三、IoU与非极大抑制
写在前面在上一篇博客:[计算机视觉-RCNN目标检测系列]二.边界框回归(Bounding-Box Regression)( 戴璞微:[计算机视觉-RCNN目标检测系列]二.边界框回归(Boundi ...

Matlab实现Faster-RCNN目标检测

一.搭建训练数据集和验证数据集

二.数据整合与模型训练

三.模型的测试

Matlab实现Faster-RCNN目标检测相关推荐

最新文章

热门文章