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

vgg19

(Déconseillé) Réseau de neurones à convolution VGG-19

• 

L’utilisation de vgg19 est déconseillée. Utilisez la fonction imagePretrainedNetwork à la place et spécifiez le modèle "vgg19". Pour plus d’informations, veuillez consulter Historique des versions.

Syntaxe

net = vgg19

net = vgg19('Weights','imagenet')

layers = vgg19('Weights','none')

Description

VGG-19 est un réseau de neurones à convolution d’une profondeur de 19 couches. Vous pouvez charger une version préentraînée du réseau entraîné sur plus d’un million d’images dans la base de données ImageNet [1]. Le réseau entraîné peut classer des images dans 1 000 catégories d’objets, par exemple un clavier, une souris, un crayon et de nombreux animaux. En conséquence, le réseau a appris des représentations avec de nombreuses caractéristiques pour une grande variété d’images. Le réseau a une taille d’image en entrée de 224 par 224. Pour plus de réseaux pré-entraînés dans MATLAB^®, veuillez consulter Pretrained Deep Neural Networks.

net = vgg19 renvoie un réseau VGG-19 entraîné sur le jeu de données ImageNet.

Cette fonction nécessite le support package Deep Learning Toolbox™ Model for VGG-19 Network. Si ce support package n’est pas installé, la fonction propose un lien de téléchargement.

net = vgg19('Weights','imagenet') renvoie un réseau VGG-19 entraîné sur le jeu de données ImageNet. Cette syntaxe est équivalente à net = vgg19.

layers = vgg19('Weights','none') renvoie l’architecture du réseau VGG-19 non entraîné. Le modèle non entraîné ne nécessite pas de support package.

Exemples

Télécharger le support package VGG-19

Cet exemple indique comment télécharger et installer le support package Deep Learning Toolbox Model for VGG-19 Network.

Saisissez vgg19 en ligne de commande.

vgg19

Si le support package Deep Learning Toolbox Model for VGG-19 Network n’est pas installé, la fonction propose un lien vers le support package nécessaire dans l’Add-On Explorer. Pour installer le support package, cliquez sur le lien, puis cliquez sur Install. Vérifiez que l’installation est réussie en saisissant vgg19 en ligne de commande.

vgg19

ans = 

  SeriesNetwork with properties:

    Layers: [47×1 nnet.cnn.layer.Layer]

Visualisez le réseau avec Deep Network Designer.

deepNetworkDesigner(vgg19)

Découvrez d’autres réseaux de neurones préentraînés dans Deep Network Designer en cliquant sur New.

Si vous devez télécharger un réseau de neurones, arrêtez-vous sur le réseau souhaité et cliquez sur Install pour ouvrir l’Add-On Explorer.

Arguments de sortie

net — Réseau de neurones à convolution VGG-19 préentraîné

objet SeriesNetwork

Réseau de neurones à convolution VGG-19 préentraîné, renvoyé sous la forme d'un objet SeriesNetwork.

layers — Architecture du réseau de neurones à convolution VGG-19 non entraîné

tableau Layer

Architecture du réseau de neurones à convolution VGG-19 non entraîné, renvoyée sous la forme d'un tableau de Layer.

Références

[1] ImageNet. http://www.image-net.org.

[2] Russakovsky, O., Deng, J., Su, H., et al. “ImageNet Large Scale Visual Recognition Challenge.” International Journal of Computer Vision (IJCV). Vol 115, Issue 3, 2015, pp. 211–252

[3] Simonyan, Karen, and Andrew Zisserman. “Very Deep Convolutional Networks for Large-Scale Image Recognition.” Preprint, submitted in 2014. https://doi.org/10.48550/ARXIV.1409.1556.

[4] Very Deep Convolutional Networks for Large-Scale Visual Recognition http://www.robots.ox.ac.uk/~vgg/research/very_deep/

Capacités étendues

Génération de code C/C++

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

Pour la génération de code, vous pouvez charger le réseau en utilisant la syntaxe net = vgg19 ou en passant la fonction vgg19 à coder.loadDeepLearningNetwork (MATLAB Coder). Par exemple : net = coder.loadDeepLearningNetwork('vgg19')

Pour plus d’informations, veuillez consulter Load Pretrained Networks for Code Generation (MATLAB Coder).

La syntaxe vgg19('Weights','none') n’est pas supportée pour la génération de code.

Génération de code GPU

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

Notes d'usage et limitations :

• Pour la génération de code, vous pouvez charger le réseau en utilisant la syntaxe net = vgg19 ou en passant la fonction vgg19 à coder.loadDeepLearningNetwork (GPU Coder). Par exemple : net = coder.loadDeepLearningNetwork('vgg19')

  Pour plus d’informations, veuillez consulter Load Pretrained Networks for Code Generation (GPU Coder).

• La syntaxe vgg19('Weights','none') n’est pas supportée pour la génération de code GPU.

Historique des versions

Introduit dans R2017a

R2024a: Déconseillé

L’utilisation de vgg19 est déconseillée. Utilisez la fonction imagePretrainedNetwork à la place et spécifiez "vgg19" comme modèle.

Il n’est pas prévu de supprimer le support de la fonction vgg19. Cependant, la fonction imagePretrainedNetwork propose des fonctionnalités supplémentaires qui facilitent les workflows d’apprentissage par transfert. Par exemple, vous pouvez spécifier le nombre de classes de vos données avec l’option numClasses. La fonction renvoie un réseau prêt pour un nouvel apprentissage sans nécessiter de modification.

La fonction imagePretrainedNetwork renvoie le réseau comme un objet dlnetwork qui ne stocke pas les noms de classes. Pour obtenir les noms de classes du réseau préentraîné, utilisez le deuxième argument de sortie de la fonction imagePretrainedNetwork.

Le tableau suivant indique quelques utilisations courantes de la fonction vgg19 et comment mettre à jour votre code pour qu’il utilise la fonction imagePretrainedNetwork à la place.

Déconseillé	Recommandé
net = vgg19;	[net,classNames] = imagePretrainedNetwork("vgg19");
net = vgg19(Weights="none");	net = imagePretrainedNetwork("vgg19",Weights="none");

imagePretrainedNetwork renvoie un objet dlnetwork, ce qui présente également 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.

Pour entraîner un réseau de neurones spécifié comme un objet dlnetwork, utilisez la fonction trainnet.

Voir aussi

imagePretrainedNetwork | dlnetwork | trainingOptions | trainnet | Deep Network Designer

Rubriques

• Préparer un réseau pour l’apprentissage par transfert au moyen de Deep Network Designer
• Deep Learning in MATLAB
• Pretrained Deep Neural Networks
• Classer une image avec GoogLeNet
• Retrain Neural Network to Classify New Images
• Visualize Activations of a Convolutional Neural Network