视频演示：

大家好，这里是 Coding茶水间 👋。

今天我们来学习如何使用 MATLAB 来进行 深度学习目标检测 ，并以 RCNN 算法 为例，完成一个交通标志检测的小项目。

一、RCNN 算法简介

在目标检测的发展历程中，RCNN（Region-based Convolutional Neural Network） 是一个非常重要的里程碑。它首次将 深度卷积神经网络（CNN） 引入到了目标检测任务中，大大提升了检测精度。

RCNN 的主要创新在于：

使用 CNN 自动提取特征，替代了传统的人工特征工程。
将候选区域（Region Proposal）与 CNN 特征结合，用于分类和回归。

虽然由于计算效率较低，RCNN 现在已经不再主流，但它作为目标检测的开山之作，为后续的 Fast RCNN、Faster RCNN、YOLO、SSD 等高效算法提供了重要的研究基础。

二、实验准备

我们本次实验基于 MATLAB ，并准备了一个 比较简单的交通标志数据集，数据集主要包含两类：

slow（慢行标志）
stop（停车让行标志）

每类数据约 10 张图片左右，本次主要大概跑一下RCNN模型从数据标注到训练和验证的大概流程，所以我们这个数据集并没有准备太多，实际应用中我们需要准备大量的数据集才能尽可能的让模型收敛。

三、数据标注

MATLAB 提供了便捷的标注工具 Image Labeler，我们可以通过以下步骤完成标注：

打开 MATLAB，点击 APP → 更多应用 → Image Labeler。
在工具界面中点击 Load → Add images from folder，导入我们准备好的两类图片。
在左上角新建类别标签：
- slow → 对应慢行标志
- stop → 对应停车让行标志
逐张图片框选目标，并指定类别。
点击 Export → To File ，保存为 label_data.mat 文件。

标注结果包含：

数据源路径
目标类别
标注框的坐标信息

四、模型训练

接下来进入 RCNN 训练阶段。MATLAB 提供了 trainRCNNObjectDetector 接口，我们只需完成数据准备和参数设置即可。

objectDetectorTrainingData方法可以直接把标注好的数据读取解析出来。

训练代码示例

复制代码

clc;
clear;
close all;

% 加载标注数据
load label_data

% 将标注数据转换为RCNN训练所需的格式
trainingData = objectDetectorTrainingData(gTruth);

% 加载预训练的AlexNet网络作为特征提取器
net = alexnet;

% 配置训练参数
options = trainingOptions('sgdm', ...
    'MiniBatchSize', 128, ...           % 每批处理128个样本
    'InitialLearnRate', 1e-3, ...       % 初始学习率为0.001
    'LearnRateSchedule', 'piecewise', ... % 分段学习率策略
    'LearnRateDropFactor', 0.1, ...     % 学习率下降因子为0.1
    'LearnRateDropPeriod', 100, ...     % 每100轮下降一次学习率
    'MaxEpochs', 10, ...                % 最大训练轮数为10
    'Plots', 'training-progress', ...   % 显示训练进度图
    'Verbose', true);                   % 显示训练详细信息

% 训练RCNN目标检测器
% 设置正负样本的重叠阈值：IOU>0.5为正样本，IOU<0.3为负样本
rcnn = trainRCNNObjectDetector(trainingData, net, options, ...
    'NegativeOverlapRange', [0 0.3], 'PositiveOverlapRange', [0.5 1]);


% 保存训练好的模型
save rcnn_stop_slow_detector.mat rcnn;

训练效果

训练过程中，MATLAB 会显示：

准确率曲线：随着迭代次数增加，准确率逐渐接近 100%。
损失曲线：随着训练推进，loss 趋近于 0。

五、模型验证

训练完成后，我们使用 未出现在训练集中的新图片 来验证效果。

matlab 复制代码

clc;
clear;
close all;

load rcnn_stop_slow_detector
% 加载测试图像
I = imread('stop_sign_ch/stopstest.jpg');

% 使用训练好的检测器进行目标检测
[bboxes, scores, labels] = detect(rcnn, I);

% 筛选置信度大于0.9
high_conf_indices = scores > 0.9;
bboxes = bboxes(high_conf_indices, :);
scores = scores(high_conf_indices);
labels = labels(high_conf_indices);

% 在图像上标注检测结果并显示
if ~isempty(bboxes)
    % 创建包含标签和分数的标注文本
    annotations = string(labels) + ": " + string(scores);
    
    % 在图像上绘制边界框和标注
    I = insertObjectAnnotation(I, 'rectangle', bboxes, annotations);
    
else
    fprintf('未检测到任何置信度大于0.9的目标\n');
end

% 显示带有检测结果的图像
figure
imshow(I)
title('RCNN检测结果 - Stop和Slow标志');

验证效果：

对于 stop 标志，模型能够高置信度框选目标。
对于 slow 标志，模型同样能准确识别。

六、总结

通过本次实验，我们完成了：

使用 Image Labeler 完成数据标注。
基于 RCNN 模型和 AlexNet 预训练网络 进行目标检测训练。
对新图片进行验证，效果准确。

虽然 RCNN 在实际应用中已逐渐被更快的算法（如 YOLO、Faster RCNN）取代，但学习 RCNN 的意义在于：

掌握深度学习引入目标检测的核心思想

理解目标检测算法的发展历程

为后续研究 YOLO、SSD、Mask RCNN 等算法奠定基础

通过matlab训练和验证深度学习的目标检测