深度学习

图像识别引导的例子

学习如何加载和预处理数据,导入一个网络,执行转移学习,使用深度学习和测试网络。

开始:

  1. 下载代码。
  2. 打开代码MATLAB。
  3. 跟随下面的步骤。

没有访问?

得到一个免费试用
时间来完成:
15 - 30分钟
水平:
初级/中级

需要复习吗?试着自由,互动教程。

步骤1

加载和数据预处理

您可以使用大型数据集与深度学习,所以适当的数据管理是非常重要的;然而,本例中的数据集是小出于演示目的。

加载数据
  • 导入数据使用一个imageDatastore。的imageDatastore函数自动标签图像基于文件夹的名字。
  • 训练模型,将数据分为两类:“培训”训练模型和“测试数据”来测试新数据模型是如何工作的(步骤4拨出,测试网络)。
  • 可视化随机图像数据集的数据出现。
加载数据
  • 点击运行部分运行代码。

关键要记住:

  • 的imageDatastore是你的数据在这些步骤和任何未来的深度学习的项目图片。
  • 基于图像的应用可以显著加快常见预处理任务像裁剪,标签,和注册图像。

步骤2

进口网络

这一步中的示例使用GoogLeNet进口深学习转移学习模型和修改它,但是你也可以从TensorFlow导入模型和体系结构,PyTorch, ONNX。

进口网络
  • 导入模型,确保数据已经准备好了。
进口网络
  • 使用深度网络设计师应用交互式地改变模型的新任务。预处理,确保所期望的图像大小是正确的深度学习模型。
进口网络
  • 试着看看模型预测的样本图片。错误的预测可能发生当模型没有被训练识别数据(见步骤3,转移学习)。
进口网络
  • 点击运行部分运行代码。

关键要记住:

  • 使用各种pretrained模型作为转移学习的起点。
  • 你的数据必须正确的大小或模型将错误。

步骤3

转移学习

在这个步骤中,您希望修改模型来处理您的特定数据。模型需要花很长时间来训练根据您的硬件和数据集的大小。

转移学习
  • 准备你的模型代替最后完全连接层用一个新的完全连接层基于类别的数量。这个示例使用4类。
  • 取代最后分类层来重置你的任务。
转移学习
  • 训练你的模型,点击运行部分。确保您已经运行步骤1和2中的代码。培训需要~ 60秒。
转移学习

关键要记住:

步骤4

测试网络

在最后的步骤中,您要验证该模型适用于新数据。你需要对测试数据进行分类(从步骤1,负载和预处理数据)和计算分类精度。

测试网络
  • 运行命令来进行分类测试所有的图片在您的测试设置和显示讲这个案例中,90%。
  • 选择您的测试集可视化图像与相应的标签。

关键要记住:

  • 使用一个灵活的模型中使用新数据或环境,而不仅仅是学会了在训练数据。
  • 为更先进的人工智能解决方案,使用可辩解的人金宝搏官方网站工智能技术来揭示为什么模型是预测一个特定的类别。

你也可以跟随下面的视频:

视频长度是4:13。

看到下面的链接继续多图像识别任务或保持探索深度学习与相关的应用程序。

Johanna Pingel

与约翰娜,MathWorks深度学习专家

电子邮件Johanna