这个例子展示了如何使用预先训练的深度卷积神经网络GoogLeNet对图像进行分类。
GoogLeNet已经训练了超过100万幅图像,并可以将图像分类为1000个对象类别(如键盘、咖啡杯、铅笔和许多动物)。该网络学习了丰富的特征表示范围广泛的图像。该网络以一幅图像作为输入,然后输出图像中对象的标签以及每个对象类别的概率。
加载预先训练好的GoogLeNet网络。这一步需要深度学习工具箱™模型GoogLeNet网络金宝app支持包。如果您没有安装所需的支持包,那么该软件将提供下载链接。金宝app
您还可以选择加载一个不同的预先训练的网络来进行图像分类。为了尝试一个不同的预训练网络,在MATLAB®中打开这个示例并选择一个不同的网络。例如,你可以试试squeezenet
,这个网络甚至比googlenet
.您可以在其他预先训练过的网络上运行这个示例。有关所有可用网络的列表,请参见负载Pretrained网络.
网=googlenet;
您想要分类的图像必须与网络的输入大小相同。对于GoogLeNet,第一个元素层
网络的属性是图像的输入层。网络输入大小为InputSize
属性的图像输入层。
.InputSize inputSize = net.Layers (1)
inputSize =1×3224 224 3
最后一个元素层
属性是分类输出层。的一会
属性包含网络学习到的类的名称。从1000个随机类名中查看10个。
一会= net.Layers .ClassNames(结束);numClasses =元素个数(类名);disp(类名(randperm (numClasses 10)))
蝴蝶、蛋奶酒、菠萝蜜、城堡、睡袋、红腿、创可贴、炒锅、安全带、橙色
阅读并展示你想分类的图像。
我= imread (“peppers.png”);图imshow(我)
显示图像的大小。图像是384 × 512像素,有三个颜色通道(RGB)。
大小(我)
ans =1×3384 512 3
使用。将图像调整为网络的输入大小imresize
.这个大小调整稍微改变了图像的宽高比。
我= imresize(我inputSize (1:2));图imshow(我)
根据应用程序的不同,您可能需要以不同的方式调整图像的大小。例如,您可以使用我(1:inputSize (1), 1: inputSize (2):)
.如果您有图像处理工具箱™,那么您可以使用imcrop
函数。
使用分类图像并计算类概率分类
.网络正确地将图像分类为甜椒。分类网络被训练为为每个输入图像输出单个标签,即使图像包含多个目标。
(标签,分数)=分类(净,我);标签
标签=分类甜椒
显示带有预测标签的图像和具有该标签的图像的预测概率。
图imshow(I) title(string(label) +”、“+ num2str(100*scores(classNames == label),3) +“%”);
以直方图的形式显示前5个预测标签及其相关的概率。由于网络将图像分类为如此多的对象类别,而且许多类别是相似的,因此在评估网络时,通常会考虑前五名的精度。该网络将图像分类为一个高概率的甜椒。
[~, idx] =排序(分数,“下”);idx = idx (5: 1:1);classNamesTop = net.Layers(结束).ClassNames (idx);scoresTop =分数(idx);图barh(scoresTop) xlim([0 1]) title(“5大预言”)包含(“概率”) yticklabels (classNamesTop)
[1] Szegedy, Christian, Liu Wei, Jia Yangqing, Pierre Sermanet, Scott Reed, Dragomir angelov, Dumitru Erhan, Vincent Vanhoucke和Andrew Rabinovich。“更深入的回旋。”在计算机视觉与模式识别IEEE会议论文集1 - 9页。2015.
[2]BVLC GoogLeNet模型.https://github.com/BVLC/caffe/tree/master/models/bvlc_googlenet
DAGNetwork
|googlenet
|分类
|预测
|squeezenet