Image Classifier

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

Depuis R2020b

• 

×

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^®.

Exemples

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

Classify ECG Signals in Simulink Using Deep Learning

Use wavelet transforms and a deep learning network within a Simulink (R) model to classify ECG signals. This example uses the pretrained convolutional neural network from the Classify Time Series Using Wavelet Analysis and Deep Learning example of the Wavelet Toolbox™ to classify ECG signals based on images from the CWT of the time series data. For information on training, see Classify Time Series Using Wavelet Analysis and Deep Learning (Wavelet Toolbox).

Ouvrir le script

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

image — Images ou caractéristiques

tableau numérique

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

ypred — Étiquettes de classe prédites

énuméré

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 — Scores prédits pour les classes

matrice

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.

labels — Étiquettes de classe pour les scores prédits

matrice

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

Réseau — Source du réseau entraîné

Network from MAT-file (par défaut) | Network from MATLAB function

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'

Chemin d’accès du fichier — Fichier MAT contenant un réseau entraîné

untitled.mat (par défaut) | Chemin d’accès ou nom du fichier MAT

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'

Fonction MATLAB — Nom de la fonction MATLAB

squeezenet (par défaut) | Nom de la fonction MATLAB

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 — Taille des mini-batchs

128 (par défaut) | entier positif

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'

Redimensionner l’entrée — Redimensionne les dimensions de l’entrée

on (par défaut) | off

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'

Classification — Renvoie l’étiquette prédite avec le score le plus élevé

on (par défaut) | off

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'

Prédictions — Renvoie tous les scores et les étiquettes associées

off (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 d’espace de travail pour les noms de classes — Variable d’espace de travail contenant les noms de classes de la sortie du réseau

classNames (par défaut) | vecteur catégoriel | tableau de chaînes de caractères | cell array de vecteurs de caractères

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

• Vous pouvez accélérer vos simulations avec la génération de code tirant parti de la bibliothèque Intel^® MKL-DNN. Pour plus de précisions, veuillez consulter Acceleration for Simulink Deep Learning Models.

Capacités étendues

Génération de code C/C++

Générez du code C et C++ avec Simulink® Coder™.

Notes d'usage et limitations :

• Pour générer du code C générique qui ne dépend pas de bibliothèques tierces, dans la catégorie générale Configuration Parameters > Code Generation, définissez le paramètre Language à C.

• Pour générer du code C++, dans la catégorie générale Configuration Parameters > Code Generation, définissez le paramètre Language à C++. Pour spécifier la bibliothèque cible pour la génération de code, dans la catégorie Code Generation > Interface, définissez le paramètre Target Library. La définition de ce paramètre à None génère du code C++ qui ne dépend pas de bibliothèques tierces.

• Pour des cibles basées sur ERT, il faut activer le paramètre Support: variable-size signals dans le volet Code Generation > Interface.

• Pour une liste des réseaux et des couches supportés pour la génération de code, veuillez consulter Networks and Layers Supported for Code Generation (MATLAB Coder).

Génération de code GPU

Générez du code CUDA® pour les GPU NVIDIA® avec GPU Coder™.

Notes d'usage et limitations :

• Le paramètre Language dans la catégorie générale Configuration Parameters > Code Generation doit être défini à C++.

• Pour une liste des réseaux et des couches supportés pour la génération de code CUDA^®, veuillez consulter Supported Networks, Layers, and Classes (GPU Coder).

• Pour en savoir plus sur la génération de code pour des modèles Simulink contenant le bloc Image Classifier, veuillez consulter Code Generation for a Deep Learning Simulink Model to Classify ECG Signals (GPU Coder).

Historique des versions

Introduit dans R2020b

R2024a: L’utilisation de SeriesNetwork et DAGNetwork est déconseillée

À partir de R2024a, l’utilisation des objets SeriesNetwork et DAGNetwork est déconseillée. Cette recommandation signifie que les entrées SeriesNetwork et DAGNetwork dans le bloc Image Classifier sont déconseillées. Utilisez les objets dlnetwork à la place. Les objets dlnetwork présentent les avantages suivants :

• Un objet dlnetwork est un type de données unifié qui supporte la création de réseau, la prédiction, l’apprentissage prédéfini, la visualisation, la compression, la vérification et les boucles d’apprentissage personnalisées.

• Les objets dlnetwork supportent un plus large éventail d’architectures de réseau que vous pouvez créer ou importer à partir de plateformes externes.

• La fonction trainnet supporte les objets dlnetwork, ce qui vous permet de spécifier facilement des fonctions de perte. Vous pouvez sélectionner une fonction de perte prédéfinie ou spécifier une fonction de perte personnalisée.

• L’apprentissage et la prédiction avec des objets dlnetwork sont généralement plus rapides que les workflows LayerGraph et trainNetwork.

Les modèles de blocs Simulink avec des objets dlnetwork ont un comportement différent. Les scores prédits sont renvoyés comme une matrice K x N, où K est le nombre de classes et N est le nombre d’observations. Si vous avez un modèle de blocs Simulink existant avec un objet SeriesNetwork ou DAGNetwork, procédez comme suit pour utiliser un objet dlnetwork à la place :

1. Convertissez l’objet SeriesNetwork ou DAGNetwork en objet dlnetwork avec la fonction dag2dlnetwork.

2. Définissez une variable d’espace de travail contenant les noms de classes de la sortie du réseau correspondant au paramètre de bloc Class names workspace variable.

3. Avec un bloc Transpose, transposez les scores prédits dans une matrice N x K, où N est le nombre d’observations et K est le nombre de classes.

Voir aussi

Predict