La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Réseaux préentraînés pour des images

Utiliser des réseaux préentraînés pour apprendre rapidement de nouvelles tâches

Utilisez l’apprentissage par transfert pour mettre à profit les connaissances offertes par un réseau préentraîné afin d’apprendre de nouveaux patterns dans de nouvelles données. L’ajustement précis d’un réseau de classification d’images préentraîné avec l’apprentissage par transfert est généralement beaucoup plus rapide et facile que l’apprentissage à partir de zéro. L’utilisation de réseaux profonds préentraînés vous permet de créer rapidement des modèles pour de nouvelles tâches sans avoir à définir et à entraîner un nouveau réseau, à disposer de millions d'images ou d'un puissant GPU.

Applications

Deep Network Designer

Concevoir, visualiser et entraîner des réseaux de Deep Learning

Fonctions

développer tout

Entraîner le réseau

`trainingOptions`	Options d’un réseau de neurones d’apprentissage pour le Deep Learning
`trainNetwork`	(Not recommended) Train neural network
`analyzeNetwork`	Analyze deep learning network architecture

Réseaux préentraînés

`squeezenet`	(Not recommended) SqueezeNet convolutional neural network
`googlenet`	Réseau de neurones à convolution GoogLeNet
`inceptionv3`	(Not recommended) Inception-v3 convolutional neural network
`densenet201`	(Not recommended) DenseNet-201 convolutional neural network
`mobilenetv2`	(Not recommended) MobileNet-v2 convolutional neural network
`resnet18`	(Not recommended) ResNet-18 convolutional neural network
`resnet50`	Réseau de neurones à convolution ResNet-50
`resnet101`	(Not recommended) ResNet-101 convolutional neural network
`xception`	(Not recommended) Xception convolutional neural network
`inceptionresnetv2`	(Not recommended) Pretrained Inception-ResNet-v2 convolutional neural network
`nasnetlarge`	(Not recommended) Pretrained NASNet-Large convolutional neural network
`nasnetmobile`	(Not recommended) Pretrained NASNet-Mobile convolutional neural network
`shufflenet`	(Not recommended) Pretrained ShuffleNet convolutional neural network
`darknet19`	(Not recommended) DarkNet-19 convolutional neural network (depuis R2020a)
`darknet53`	(Not recommended) DarkNet-53 convolutional neural network (depuis R2020a)
`efficientnetb0`	(Not recommended) EfficientNet-b0 convolutional neural network (depuis R2020b)
`alexnet`	(Not recommended) AlexNet convolutional neural network
`vgg16`	(Not recommended) VGG-16 convolutional neural network
`vgg19`	(Not recommended) VGG-19 convolutional neural network

Prédiction

`classify`	(Not recommended) Classify data using trained deep learning neural network
`predict`	(Not recommended) Predict responses using trained deep learning neural network
`activations`	(Not recommended) Compute deep learning network layer activations
`confusionchart`	Create confusion matrix chart for classification problem
`sortClasses`	Sort classes of confusion matrix chart

Blocs

développer tout

Réseaux de neurones profonds

Predict	Predict responses using a trained deep learning neural network (depuis R2020b)
Image Classifier	Classer des données avec un réseau de neurones entraîné pour le Deep Learning (depuis R2020b)

Rubriques

Classify Webcam Images Using Deep Learning
This example shows how to classify images from a webcam in real time using the pretrained deep convolutional neural network GoogLeNet.
Utiliser un réseau de Deep Learning pour classer de nouvelles images
Cet exemple indique comment utiliser l’apprentissage par transfert pour entraîner à nouveau un réseau de neurones à convolution afin de classer un nouveau jeu d’images.
Pretrained Deep Neural Networks
Learn how to download and use pretrained convolutional neural networks for classification, transfer learning and feature extraction.
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

Classer une image avec GoogLeNet

Cet exemple indique comment classer une image avec le réseau de neurones à convolution préentraîné GoogLeNet.

Ouvrir le live script

Extract Image Features Using Pretrained Network

Extract learned image features from a pretrained convolutional neural network and use those features to train an image classifier. Feature extraction is the easiest and fastest way to use the representational power of pretrained deep networks. For example, you can train a support vector machine (SVM) using fitcecoc (Statistics and Machine Learning Toolbox™) on the extracted features. Because feature extraction only requires a single pass through the data, it is a good starting point if you do not have a GPU to accelerate network training with.

Ouvrir le live script

Prepare Network for Transfer Learning Using Deep Network Designer

Interactively fine-tune a pretrained deep learning network to learn a new image classification task.

Ouvrir le live script

Convert Classification Network into Regression Network

Convert a trained classification network into a regression network.

Ouvrir le live script

Classify Images in Simulink Using GoogLeNet

Classify an image in Simulink® using the Image Classifier block. The example uses the pretrained deep convolutional neural network GoogLeNet to perform the classification.

Ouvrir le script