Modèles de Deep Learning préentraînés
Profitez des architectures de modèles développées par la communauté de recherche sur le Deep Learning. Les modèles courants offrent une architecture robuste et ne nécessitent pas de repartir de zéro.
Profitez des architectures de modèles développées par la communauté de recherche sur le Deep Learning. Les modèles courants offrent une architecture robuste et ne nécessitent pas de repartir de zéro.
Il existe de nombreux modèles préentraînés parmi lesquels il est possible de choisir, chaque modèle étant systématiquement associé à des compromis :
Explorez les compromis entre les modèles dans les sections suivantes.
Pour importer n'importe quel modèle dans MATLAB, la structure est la suivante :
>> net = networkname
Par exemple
>> net = alexnet >> net = resnet50
Si le modèle n'est pas déjà téléchargé, un lien sera proposé pour le télécharger dans MATLAB.
Vous pouvez itérer sur ces modèles rapidement et essayer différents paramètres tels que les étapes de prétraitement des données et les options d'apprentissage. Une fois que vous aurez déterminé quels paramètres fonctionnent bien, essayez un réseau plus précis pour voir s'il améliore vos résultats.
Explorer les exemples :
Explorez des modèles très efficaces pour des workflows basés sur des images, tels que la classification d'images, la détection d'objets et la segmentation sémantique.
Pour les workflows de segmentation sémantique :
L'utilisation de l'une des architectures de réseau prédéfinies constitue un point de départ pratique pour l'apprentissage des réseaux de segmentation sémantique. Ce sont des architectures en couches couramment utilisées pour les problèmes de segmentation sémantique :
Pour en savoir plus sur la création d'un réseau de segmentation sémantique avec Deeplab v3+, cliquez ici.
Le déploiement vers des équipements à faible puissance et disposant de ressources de calcul limitées, tels que Raspberry Pi ou FPGA, nécessite des modèles à faible consommation de mémoire.
Voir les sujets connexes :
Explorer les exemples :
Vous cherchez des modèles pour d'autres environnements ? Utilisez les solutions ONNX, TensorFlow-Keras et Caffe pour importer n'importe quel réseau dans MATLAB.
Explorer les exemples :
Découvrez comment importer des couches Keras préentrainées et remplacer les couches non supportées par des couches personnalisées.