Le Deep Learning pour la Computer Vision

Segmentation sémantique, détection d'objets, reconnaissance d'images, les applications de Computer Vision combinées au Deep Learning offrent des algorithmes perfectionnés avec la précision du Deep Learning. MATLAB^® offre un environnement qui permet de concevoir, créer et intégrer des modèles de Deep Learning avec des applications de Computer Vision.

Vous pouvez facilement démarrer avec des fonctionnalités spécialisées pour la Computer Vision telles que :

Des applications de labélisation d’images et de vidéos
Un datastore d'images capable de gérer d'importants volumes de données pour l'apprentissage, les tests et la validation
Des techniques de prétraitement d'images et de Computer Vision
La possibilité d'importer des modèles de Deep Learning à partir de TensorFlow™-Keras et PyTorch pour la reconnaissance d'images

MATLAB pour le Deep Learning

Préparation des données

Accès

Accédez à et gérez d'importants volumes de données rapidement et facilement grâce à ImageDatastore.

Synthèse

Le Deep Learning repose sur le fait d'avoir des données complètes pour pouvoir créer un modèle précis. L'augmentation des données permet aux ingénieurs d'accroître le nombre d'échantillons et de variations d'échantillons fournis à un algorithme d'apprentissage. Créez plus d'images d'apprentissage pour obtenir des classifications robustes en ajoutant des variations d'échelle et de rotation à vos images d'apprentissage grâce aux techniques d'augmentation des données d'image.

Labélisation et prétraitement

La labélisation des images et des vidéos, qui inclut la labélisation des pixels et la région d'intérêt de l'objet, permet d’économiser de nombreuses heures de labélisation manuelle. Utilisez les outils de traitement de l'image pour couper, éclaircir, améliorer et rendre plus nettes les images avant d'entraîner un réseau.

En savoir plus

Techniques d'augmentation d'images - Exemple
Application Video Labeler - Exemple
Présentation de la segmentation sémantique (7:56) - Vidéo

Conception, apprentissage et évaluation de réseaux

Concevez de manière interactive des réseaux, accélérez leur apprentissage à l'aide de GPU NVIDIA^® et obtenez les bons résultats plus rapidement.

Conception

Importez des modèles pré-entrainés à l'aide d'ONNX™, puis utilisez l'application Deep Network Designer pour ajouter, supprimer ou réorganiser les couches.

Apprentissage

Que vous utilisiez un seul ou de nombreux GPU, le cloud ou NVIDIA DGX, MATLAB supporte l'apprentissage multi-GPU en une seule ligne de code.

Évaluation

Maitrisez le fonctionnement de votre réseau à n'importe quel moment.

Avant l'apprentissage : utilisez l'analyseur de réseau pour examiner les couches du réseau et assurer la compatibilité des couches d'entrée/sortie.
Pendant l'apprentissage : visualisez un diagramme représentant la précision de la validation pendant l'apprentissage du réseau, et arrêtez l'apprentissage à tout moment.
Après la formation : simulez des réseaux de Deep Learning dans Simulink avec les composants de contrôle, de traitement du signal et de fusion de capteurs pour évaluer l'impact de votre modèle Deep Learning sur les performances du système.

En savoir plus

Construire, visualiser et modifier des réseaux de Deep Learning de manière interactive (3:54) - Vidéo
Analyze Networks - Exemple
Cloud Computing - Exemple
Lane and Vehicle Detection in Simulink Using Deep Learning - Exemple

Déploiement

Déployez des modèles de Deep Learning n'importe où : générez du code automatiquement pour l'exécuter de manière native sur ARM^® et Intel^® MKL-DNN. Importez vos modèles de Deep Learning et générez du code CUDA^®, en ciblant les bibliothèques TensorRT et CuDNN.

En savoir plus

Exemples de Deep Learning pour la Computer Vision

MATLAB propose des outils pour des applications de Deep Learning spécifiques comme

L'inspection visuelle et la détection des défauts

L'inspection automatisée et la détection des défauts sont essentielles pour un contrôle de qualité à débit élevé dans des systèmes de production. Avec MATLAB, vous pouvez développer des approches basées sur le Deep Learning pour détecter et localiser différents types d'anomalies.

Inspection visuelle - Exemple
Inspection optique automatisée avec le Deep Learning - eBook

MATLAB fournit des outils pour des applications spécifiques au Deep Learning, notamment :

La segmentation sémantique

La segmentation sémantique est l'action qui consiste à labéliser chaque pixel dans une catégorie. Il s'agit d'une technologie essentielle pour la conduite autonome et le traitement d’images médicales.

Présentation de la segmentation sémantique (7:56) - Vidéo

La détection d'objets

La détection d'objets utilise des techniques de classification comme YOLO v2 et Faster-RCNN pour identifier des objets dans une scène.

Le Deep Learning appliqué à la conduite autonome (partie 1) : détection de véhicules - Blog

Détection d'objets à l'aide de Faster R-CNN.

La classification d'images et de vidéos

Identifiez des objets dans des images et des vidéos grâce aux derniers modèles issus de la recherche et aux techniques d'apprentissage par transfert les plus récentes.

Classifying Video Sequences - Exemple

Les données 3D

MATLAB permet le traitement de données 3D grâce à des techniques de 3D éparses et denses. Parmi les applications possibles, citons la classification Lidar et l'empilement 3D d’images médicales.

3D Semantic Segmentation - Exemple

Plus d'informations sur le Deep Learning pour la Computer Vision

Deep Learning Onramp
Introduction au Deep Learning (3 Vidéos) - Série de vidéos
Le Deep Learning avec MATLAB (5 vidéos) - Série de vidéos

Produits de Deep Learning :

Deep Learning Toolbox - Présentation
Image Processing Toolbox - Présentation
Computer Vision Toolbox - Présentation

Version d'essai gratuite de 30 jours

Vous avez des questions ?

Échangez avec un expert du Deep Learning.

Contactez-nous par email