深入学习计算机愿景
语义分割,对象检测和图像识别。与深度学习集成的计算机视觉应用提供了具有深度学习精度的先进算法。MATLAB®提供设计、创建深度学习模型并将其与计算机视觉应用程序集成的环境。
您可以轻松开始使用计算机视觉的专用功能,例如:
- 图像和视频标签应用程序
- 用于处理大量数据以进行培训、测试和验证的图像数据存储
- 图像和计算机视觉专用预处理技术
- 能够从TensorFlow导入深度学习模型™-用于图像识别的Keras和PyTorch
探索工作流程
MATLAB有一些工具可以通过深入学习为计算机视觉构建定制的工作流程。
网络设计,培训和评估
交互式设计网络,使用NVIDIA加速培训®GPU,并更快地获得良好的结果。
设计
使用ONNX导入预训练模型™, 然后使用Deep Network Designer应用程序添加、删除或重新排列层。
训练
无论您使用的是一个GPU、多个GPU、云还是NVIDIA DGX,MATLAB都支持使用一行代码进行多GPU培训。金宝app
评价
了解您的网络在任何时间点的性能。
- 在培训之前:使用网络分析器分析网络层并确保层输入/输出兼容性。
- 培训期间:在网络培训期间,可视化验证准确性图,并随时停止培训。
- 培训后:使用控制,信号处理和传感器融合组件模拟Simulink的深度学习网络,以评估您的深度学习模型对金宝app系统级性能的影响。
了解更多
部署
在任何地方部署深度学习模型 - 自动生成代码以在ARM上运行®和英特尔®MKL-DNN。导入您的深度学习模型并生成CUDA®代码,定位图特子和CUDNN库。
了解更多
计算机视觉示例的深度学习
MATLAB为特定的深度学习应用程序提供了工具,例如:
目视检查和缺陷检测
自动化检查和缺陷检测对于生产系统中的高通量质量控制至关重要。使用MATLAB,您可以开发基于深度学习的方法来检测和定位不同类型的异常。
语义细分
语义分割是将每个像素标记为类别的行为。这是自动驾驶和医学图像处理的关键技术。
目标检测
对象检测使用yolo v2和faster-rcnn等分类技术来识别场景中的对象。
图像和视频分类
使用最新的研究模型和传输学习技术识别图像和视频中的对象。
3D数据
MATLAB通过稀疏和密集的3D技术进行处理3D数据。应用程序包括LIDAR分类和3D堆栈的医学图像。