Main Content

Image Classifier

Classer des données avec un réseau de neurones entraîné pour le Deep Learning

Depuis R2020b

  • Image classifier block

Bibliothèques :
Deep Learning Toolbox / Deep Neural Networks

Description

Le bloc Image Classifier prédit des étiquettes de classe pour les données en entrée avec le réseau entraîné spécifié via le paramètre de bloc. Ce bloc permet le chargement d’un réseau préentraîné dans le modèle Simulink® depuis un fichier MAT ou depuis une fonction MATLAB®.

Limitations

  • Le bloc Image Classifier ne supporte pas les réseaux de séquences et les réseaux MIMO (Multiple Input and Multiple Output).

  • Le bloc Image Classifier ne supporte pas l’enregistrement de fichiers MAT.

Ports

Entrée

développer tout

Tableau numérique h x w x c x N, où h, w et c sont respectivement la hauteur, la largeur et le nombre de canaux des images, et N est le nombre d’images.

Tableau numérique N x numFeatures, où N est le nombre d’observations et numFeatures est le nombre de caractéristiques des données en entrée.

Si le tableau contient des NaN, ils sont propagés dans le réseau.

Sortie

développer tout

Étiquettes de classe prédites avec le score le plus élevé, renvoyées comme un vecteur énuméré d’étiquettes de N x 1, où N est le nombre d’observations.

Scores prédits, retournés sous la forme d'une matrice K x N, où K est le nombre de classes et N est le nombre d’observations.

Étiquettes associées aux scores prédits, retournées sous la forme d'une matrice N x K, où N est le nombre d’observations et K est le nombre de classes.

Paramètres

développer tout

Spécifiez la source du réseau entraîné. Sélectionnez l’un des éléments suivants :

  • Network from MAT-file— Importer un réseau entraîné depuis un fichier MAT contenant un objet dlnetwork.

  • Network from MATLAB function— Importer un réseau préentraîné depuis une fonction MATLAB. Par exemple, pour utiliser un réseau GoogLeNet préentraîné, créez une fonction pretrainedGoogLeNet dans un M-file MATLAB puis importez-la.

    function net = pretrainedGoogLeNet
      net = imagePretrainedNetwork("googlenet");
    end

Utilisation programmatique

Paramètre de bloc : Network
Type : vecteur de caractères, chaîne de caractères
Valeurs : 'Network from MAT-file' | 'Network from MATLAB function'
Par défaut : 'Network from MAT-file'

Ce paramètre spécifie le nom du fichier MAT qui contient le réseau de Deep Learning entraîné à charger. Si le fichier n’est pas sur le chemin d’accès MATLAB, utilisez le bouton Browse pour localiser le fichier.

Dépendances

Pour activer ce paramètre, définissez le paramètre Network à Network from MAT-file.

Utilisation programmatique

Paramètre de bloc : NetworkFilePath
Type : vecteur de caractères, chaîne de caractères
Valeurs : Chemin d’accès ou nom du fichier MAT
Par défaut : 'untitled.mat'

Ce paramètre spécifie le nom de la fonction MATLAB pour le réseau de Deep Learning préentraîné. Par exemple, pour utiliser un réseau GoogLeNet préentraîné, créez une fonction pretrainedGoogLeNet dans un M-file MATLAB puis importez-la.

function net = pretrainedGoogLeNet
  net = imagePretrainedNetwork("googlenet");
end

Dépendances

Pour activer ce paramètre, définissez le paramètre Network à Network from MATLAB function.

Utilisation programmatique

Paramètre de bloc : NetworkFunction
Type : vecteur de caractères, chaîne de caractères
Valeurs : Nom de la fonction MATLAB
Par défaut : 'squeezenet'

Taille des mini-batchs à utiliser pour la prédiction, définie par un entier positif. Des mini-batchs de grande taille nécessitent davantage de mémoire, mais peuvent entraîner des prédictions plus rapides.

Utilisation programmatique

Paramètre de bloc : MiniBatchSize
Type : vecteur de caractères, chaîne de caractères
Valeurs : entier positif
Par défaut : '128'

Redimensionnez les données sur le port d’entrée à la taille en entrée du réseau.

Utilisation programmatique

Paramètre de bloc : ResizeInput
Type : vecteur de caractères, chaîne de caractères
Valeurs : 'off' | 'on'
Par défaut : 'on'

Activez le port de sortie ypred qui renvoie l’étiquette avec le score le plus élevé.

Utilisation programmatique

Paramètre de bloc : Classification
Type : vecteur de caractères, chaîne de caractères
Valeurs : 'off' | 'on'
Par défaut : 'on'

Activez les ports de sortie scores et labels qui renvoient tous les scores prédits et les étiquettes de classe associées.

Utilisation programmatique

Paramètre de bloc : Predictions
Type : vecteur de caractères, chaîne de caractères
Valeurs : 'off' | 'on'
Par défaut : 'off'

Variable contenant les noms de classes, définie par un vecteur catégoriel, un tableau de chaînes de caractères ou un cell array de vecteurs de caractères.

La taille en sortie du réseau doit correspondre au nombre de classes.

Dépendances

Pour activer ce paramètre, définissez le paramètre Network à Network from MAT-file afin d’importer un objet dlnetwork entraîné depuis un fichier MAT.

Utilisation programmatique

Paramètre de bloc : classNames
Type : nom de variable d’un vecteur catégoriel, d’un tableau de chaînes de caractères ou d’un cell array de vecteurs de caractères.
Valeurs : nom d’une variable contenant les noms de classes, spécifiée comme un vecteur catégoriel, un tableau de chaînes de caractères ou un cell array de vecteurs de caractères.
Par défaut : variable d’espace de travail classNames.

Conseils

Capacités étendues

Historique des versions

Introduit dans R2020b

développer tout

Voir aussi