Prétraitement des données

Gérer et prétraiter des images pour le Deep Learning

Le prétraitement des images pour s’assurer qu’elles sont dans un format acceptable par le réseau est une première étape courante des workflows de Deep Learning. Par exemple, vous pouvez redimensionner l’image en entrée pour correspondre à la taille de la couche d’entrée pour les images. Vous pouvez également prétraiter des données pour améliorer les caractéristiques souhaitées ou réduire les artefacts qui peuvent biaiser le réseau. Par exemple, vous pouvez normaliser ou supprimer le bruit des données d’entrée.

Vous pouvez prétraiter l'image en entrée avec des opérations comme le redimensionnement en utilisant des datastores et des fonctions disponibles dans MATLAB^® et Deep Learning Toolbox™. D’autres toolboxes MATLAB proposent des fonctions, des datastores et des applications de labélisation, de traitement et d’augmentation de données de Deep Learning. Utilisez des outils spécialisés d’autres toolboxes MATLAB pour traiter des données dans des domaines comme le traitement d’images, la détection d’objets et la segmentation sémantique.

Applications

Image Labeler	Label images for computer vision applications
Video Labeler	Label video for computer vision applications
Ground Truth Labeler	Label ground truth data for automated driving applications

Fonctions

`imageDatastore`	Datastore for image data
`augmentedImageDatastore`	Transformer des batchs de données pour augmenter les images
`imageDataAugmenter`	Configure image data augmentation
`augment`	Apply identical random transformations to multiple images
`minibatchqueue`	Create mini-batches for deep learning (depuis R2020b)

Rubriques

Preprocess Images for Deep Learning
Learn how to resize images for training, prediction, and classification, and how to preprocess images using data augmentation, transformations, and specialized datastores.
Preprocess Volumes for Deep Learning
Read and preprocess volumetric image and label data for 3-D deep learning.
Datastores for Deep Learning
Learn how to use datastores in deep learning applications.
Deep Learning in MATLAB
Discover deep learning capabilities in MATLAB using convolutional neural networks for classification and regression, including pretrained networks and transfer learning, and training on GPUs, CPUs, clusters, and clouds.
Deep Learning Tips and Tricks
Learn how to improve the accuracy of deep learning networks.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.

Exemples présentés

Prepare Datastore for Image-to-Image Regression

Prepare a datastore for training an image-to-image regression network using the transform and combine functions of ImageDatastore.

Ouvrir le live script

Augment Images for Deep Learning Workflows

Perform common kinds of randomized image augmentation such as geometric transformations, cropping, and adding noise.

Ouvrir le live script

Create and Explore Datastore for Image Classification

Create, read, and augment an image datastore for use in training a deep learning network. In particular, this example shows how to create an ImageDatastore object from a collection of images, read and extract the properties of the datastore, and create an augmentedImageDatastore for use during training.

Ouvrir le live script