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
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
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
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.

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.

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.

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.

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.
