의미론적 분할을 위한 훈련 데이터에 레이블 지정하기

대용량 데이터셋을 사용하면 특정 입력(또는 입력 측면)에 더 빠르고 정확하게 매핑할 수 있습니다. 데이터 증대를 사용하면 훈련에서 제한된 데이터셋을 활용할 수 있습니다. 보조적인 변경(예: 영상 평행 이동, 자르기 또는 변환)을 통해 서로 다른 고유한 새 영상이 생성됩니다.Augment Images for Deep Learning Workflows Using Image Processing Toolbox(Deep Learning Toolbox)항목을참조하십시오。

영상 레이블 지정기,비디오 레이블 지정기또는실측 레이블 지정기(Automated Driving Toolbox)(Automated Driving Toolbox™에서 사용 가능) 앱을 사용하여 대화형 방식으로 픽셀에 레이블을 지정하고 훈련을 위해 레이블 데이터를 내보낼 수 있습니다. 또한 이러한 앱을 사용하여 사각형 관심 영역(ROI)에 레이블을 지정하고 영상 분류를 위해 장면에 레이블을 지정할 수 있습니다.

의미론적 분할 신경망을 훈련시키고 테스트하기

의미론적 분할 신경망을 훈련시키는 단계는 다음과 같습니다.

1.Analyze Training Data for Semantic Segmentation

2.Create a Semantic Segmentation Network

3.Train A Semantic Segmentation Network

4.Evaluate and Inspect the Results of Semantic Segmentation

사전 훈련된 DeepLabv3+ 신경망을 사용하여 객체 분할하기

MathWorks^®GitHub 리포지토리는 기본 제공 추론을 수행할 때 다운로드하여 사용할 수 있는 사전 훈련된 최신 딥러닝 신경망의 구현을 제공합니다.

DeepLabv3+ 딥러닝 신경망을 사용하여 영상에 대한 의미론적 분할을 수행하려면Pretrained DeepLabv3+ Semantic Segmentation NetworkGitHub 리포지토리에서 사전 훈련된 DeepLabv3+ 모델을 다운로드하십시오. 이 신경망은 Pascal VOC 데이터셋에 대해 훈련되었으며, 비행기, 버스, 자동차, 기차, 사람, 말을 포함한 20개의 서로 다른 사물 클래스를 분할할 수 있습니다.

사전 훈련된 최신 MathWorks 모델과 예제 목록은MATLAB Deep Learning (GitHub)을 참조하십시오.