Modèles de Deep Learning préentraînés

Profiter 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.

MATLAB Deep Learning Model Hub

Obtenir des modèles préentraînés

Au lieu de créer un modèle de Deep Learning en partant de zéro, utilisez un modèle préentraîné, que vous pouvez appliquer directement ou adapter à votre tâche.

Modèles MATLAB

Explorez MATLAB^® Deep Learning Model Hub pour accéder aux derniers modèles par catégorie et à tous les conseils pour choisir un modèle.

Chargez la plupart des modèles en ligne de commande. Par exemple :

 net = darknet19;

Modèles open-source

Convertissez les modèles TensorFlow™, PyTorch^® et ONNX™ vers les réseaux MATLAB en utilisant une fonction d'importation. Par exemple :

 net = importTensorFlowNetwork("EfficientNetV2L")

Appliquer des modèles préentraînés

Appliquez des modèles préentraînés pour la classification d'images, la Computer Vision, le traitement audio, le traitement LiDAR et d'autres workflows de Deep Learning.

Trouvez le meilleur modèle préentraîné et appliquez-le directement à votre tâche.
Effectuez un apprentissage par transfert en adaptant un modèle préentraîné à une nouvelle tâche ou à un nouveau jeu de données. Il est plus rapide et plus facile de mettre à jour et de réentraîné un modèle que de le créer à partir de zéro.
Utilisez un modèle préentraîné comme extracteur de caractéristiques en utilisant les activations de couches en tant que caractéristiques. Utilisez ensuite ces caractéristiques pour entraîner un autre modèle de Machine Learning, tel qu'une machine à vecteurs de support (SVM).
Utilisez un modèle préentraîné comme base pour un autre type de modèle. Par exemple, utilisez un réseau de neurones à convolution (CNN) comme point de départ pour créer un modèle de détection d'objets ou de segmentation sémantique.

Classification d'images

Pour les tâches de classification d'images, utilisez un réseau de neurones à convolution tel que NASNet-Mobile ou EfficientNet. La majorité des CNN sont entraînés sur la base de données ImageNet.

Réseaux de neurones profonds préentraînés

Computer Vision

Analysez des images et des vidéos en utilisant la détection d'objets (YOLO), la segmentation d'instances/sémantique (AdaptSeg/MASK R-CNN) et la classification de vidéos (SlowFast).

Utilisation du Deep Learning pour la Computer Vision

Traitement audio

Localisez et classez les sons avec YAMNet, estimez le pitch avec CREPE, et récupérez les embeddings des caractéristiques avec VGGish ou OpenL3.

Modèles préentraînés de Audio Toolbox

LiDAR

Analysez des données de nuages de points en utilisant la classification (PointNet), la détection d'objets (PointPillars) et la segmentation sémantique (PointSeg).

Traitement LiDAR avec le Deep Learning

Modifier un réseau de Deep Learning de façon interactive pour l'apprentissage par transfert

Détection d'objets avec le réseau de Deep Learning YOLO v4

Segmentation sémantique avec le Deep Learning

Conseils pour la sélection des modèles

Vous pouvez choisir entre de nombreux modèles préentraînés, chaque modèle présentant des compromis :

Rapidité

Pour démarrer, choisissez l'un des modèles les plus rapides, comme SqueezeNet ou GoogleNet. Itérez ensuite rapidement en essayant différentes options de prétraitement et d'apprentissage.

Précision

Une fois que vous avez déterminé quels paramètres fonctionnent le mieux, essayez un modèle plus précis, comme Inception-v3 ou ResNet-50, et vérifiez si cela améliore vos résultats.

Taille

Lorsque vous déployez sur des dispositifs périphériques tels que Raspberry Pi^® ou des FPGA, choisissez un modèle à faible empreinte mémoire, comme SqueezeNet ou MobileNet-v2.

Génération de code pour des réseaux de Deep Learning

Produits

Découvrez les produits utilisés avec les modèles de Deep Learning.

Version d'essai gratuite de 30 jours

MATLAB pour le Deep Learning