【MATLAB】目标检测初探

0 前言

  之前因为项目原因，做了一个基于YOLOv5实现目标检测的程序，是基于Python做的，直接使用YOLOv5开源库，只需要导入数据训练再运行特定文件即可，简单的操作得到优秀的结果。因此当时没有仔细研究代码，更没有深究目标检测相关理论。最近学习了一些MATLAB中目标检测相关的内容，于是想结合官方文档和demo重新实现之前那个项目，作为一个入门参考。

1 目标检测概述

  所谓目标检测（Object Detection），其核心任务是从图像或视频中识别并定位感兴趣的对象，这不仅要求高准确率的分类，还需要精确的位置预测。相比于图像分类（Classification）只需要知道图片中是什么（what），目标检测既要知道“what”，也要知道“where”。

  目标检测经过二十多年的发展，从最初基于传统机器学习先提取特征，再进行图像分类，到现在使用卷积神经网络直接“端到端”，使特征提取自动化，同时也提高了目标检测的准确率。

  目前基于深度学习实现目标检测主要有两类做法，一种称为两段式目标检测，即先通过一个网络筛选出感兴趣的区域（ROI），或者说存在目标可能性较大的区域，这一步叫做region proposal，然后再根据这些筛选出的region，判断其属于哪种类别，即图像分类，两段式的代表算法有R-CNN，SPPNet，Fast R-CNN，Faster R-CNN等；另一种方法叫做一段式目标检测，即将上述两个步骤合并到一起进行，没有单独的region proposal的步骤，两段式最具代表性的算法就是YOLO系列算法，目前已经发展出多个版本，从YOLO v1到YOLO v8（来自不同的研究团队），比较知名的还是YOLO v5.

所谓YOLO，即You Only Look Once，顾名思义，必然是一段式的

  从研究情况来看，YOLO系列算法更受欢迎，各个YOLO系列算法也有各自的开源仓库（当然，都是Python的），目前MATLAB中已经支持YOLO v2，YOLO v3，YOLO v4，但没有和python开源仓库那种比较完善的，因此想基于帮助文档进行代码实践，对已有函数进行再次封装，提高其易用性的情况下测试一下我之前一个项目的数据集，并比较各算法优劣。

参考链接

2 算法实践

2.1 YOLO v2

  首先来看MATLAB自带的一个示例，在命令行输入help help，打开帮助文档，直接搜索YOLO，找到这个链接：

点开之后可以得到一个训练检测车辆目标的demo：

上述demo链接直达

依次运行该代码，可以发现其实核心主要有三个步骤：准备数据，导入模型，设置训练参数，这也是训练核心函数trainYOLOv2ObjectDetector的必要参数。

trainYOLOv2ObjectDetector详解

接下来依次实现。其带注解代码如下所示

clear,clc
% 导入训练数据
data = load('vehicleTrainingData.mat');
trainingData = data.vehicleTrainingData;
% 对数据进行处理——相对路径转换成绝对路径
dataDir = fullfile(toolboxdir('vision'),'visiondata');
trainingData.imageFilename = fullfile(dataDir,trainingData.imageFilename);
% 对数据进行处理——打乱数据，便于训练
rng(0); % 固定随机种子，保证运行结果可复现
shuffledIdx = randperm(height(trainingData));
trainingData = trainingData(shuffledIdx,:);
% 构建数据结构——datastore
imds = imageDatastore(trainingData.imageFilename); % 图片数据存储
blds = boxLabelDatastore(trainingData(:,2:end)); % 标注数据存储
ds = combine(imds, blds); % 将两个结合起来
% 导入网络
net = load('yolov2VehicleDetector.mat');
lgraph = net.lgraph;
% 设置训练选项
options = trainingOptions('sgdm',...    % 算法选择
          'InitialLearnRate',0.001,...  % 初始学习率
          'Verbose',true,...            % 是否输出训练信息
          'VerboseFrequency',30