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.

Conseils pour le choix d'un modèle

Il existe de nombreux modèles préentraînés parmi lesquels il est possible de choisir, chaque modèle étant systématiquement associé à des compromis :

  • Taille : de quelle capacité de mémoire le modèle a-t-il besoin ?
    L'emplacement final du modèle déterminera dans quelle mesure la taille du réseau est un élément à prendre en compte.
    Lorsque vous choisissez de déployer un système à faible mémoire, choisissez un modèle spécifiquement conçu pour cette tâche. 
    Voir les modèles pour le déploiement vers des dispositifs embarqués
  • Précision : quelle est la performance du modèle avant un réapprentissage?
    En général, un modèle qui fonctionne bien pour le jeu de données ImageNet indique un modèle qui a appris des caractéristiques informatives et qui pourrait aussi bien fonctionner dans de nouvelles tâches similaires. 
    Explorer des modèles de plus grande précision
  • Vitesse de prédiction : à quelle vitesse le modèle peut-il prédire de nouvelles images ?
    Si la vitesse de prédiction peut varier en fonction de nombreux facteurs tels que le hardware et la taille des batchs, elle varie également en fonction de l'architecture du modèle choisi et de sa taille.
    Comparer les vitesses de prédiction avec des modèles simples pour commencer.

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.

Modèles simples pour commencer

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 :

Modèles de plus grande précision

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 détection d'objets :

DarkNet-19, DarkNet-53 et ResNet-50 sont souvent utilisés comme base pour les problèmes de détection d'objets et les workflows YOLO. Voir des exemples de détection d'objets utilisant Yolov2 et Yolov3.

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 :

  • segnetLayers
  • unetLayers
  • unet3dLayers
  • DeepLab v3+

Pour en savoir plus sur la création d'un réseau de segmentation sémantique avec Deeplab v3+, cliquez ici.

Modèles pour le déploiement vers des dispositifs embarqués

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 :

Modèles pour d'autres environnements

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 :

Des couches non supportées ?

Découvrez comment importer des couches Keras préentrainées et remplacer les couches non supportées par des couches personnalisées.

Liste complète des modèles disponibles dans MATLAB

Nouveaux modèles et exemples de Deep Learning