La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
resnet50
Réseau de neurones à convolution ResNet-50
Description
ResNet-50 est un réseau de neurones à convolution d’une profondeur de 50 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.
Vous pouvez utiliser classify
pour classer de nouvelles images avec le modèle ResNet-50. Suivez les étapes de Classer une image avec GoogLeNet et remplacez GoogLeNet par ResNet-50.
Pour entraîner à nouveau le réseau sur une nouvelle tâche de classification, suivez les étapes de Utiliser un réseau de Deep Learning pour classer de nouvelles images et chargez ResNet-50 à la place de GoogLeNet.
Conseil
Pour créer un réseau résiduel non entraîné adapté aux tâches de classification d’images, utilisez resnetLayers
.
renvoie un réseau ResNet-50 entraîné sur le jeu de données ImageNet.net
= resnet50
Cette fonction nécessite le support package Deep Learning Toolbox™ Model for ResNet-50 Network. Si ce support package n’est pas installé, la fonction propose un lien de téléchargement.
renvoie un réseau ResNet-50 entraîné sur le jeu de données ImageNet. Cette syntaxe est équivalente à net
= resnet50('Weights','imagenet'
)net = resnet50
.
renvoie l’architecture du réseau ResNet-50 non entraîné. Le modèle non entraîné ne nécessite pas de support package. lgraph
= resnet50('Weights','none'
)
Exemples
Arguments de sortie
Références
[1] ImageNet. http://www.image-net.org
[2] He, Kaiming, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. "Deep residual learning for image recognition." In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 770-778. 2016.
Capacités étendues
Historique des versions
Introduit dans R2017b
Voir aussi
Deep Network Designer | resnetLayers
| vgg16
| vgg19
| googlenet
| trainNetwork
| layerGraph
| DAGNetwork
| resnet18
| resnet101
| densenet201
| inceptionresnetv2
| squeezenet