深度学习计算机视觉
语义分割,对象检测和图像识别。深学习综合计算机视觉应用提供深度学习精度先进的算法。MATLAB®提供了设计,创建和深度学习模型与计算机视觉应用集成的环境。
您可以轻松上手使用计算机视觉等专业功能:
- 图像和视频标签应用
- 图像数据存储处理的培训,测试和验证的大量数据
- 图像和计算机视觉特有的预处理技术
- 能够从TensorFlow™-Keras和PyTorch导入深度学习模型图像识别
探索工作流
MATLAB有工具来建立与深度学习计算机视觉的定制工作流程。
数据准备
访问
访问和快速,轻松地管理大量数据的ImageDatastore。
合成
在深度学习,这是所有关于获得全面的数据来建立一个精确的模型。数据增强使工程师能够增加样本和样品的种类数,以训练算法。通过增加旋转和缩放变化,使用图像数据增强技术,你的训练图像创建强大的分类更多的训练图像。
标签和预处理
图像和视频标签,其包括像素标记和感兴趣对象区域,可以节省人工标记的无数个小时。使用图像处理工具裁剪,去模糊化,提亮,并培养了网络之前增强图像。
学到更多
网络设计,培训和评估
交互设计网络,采用了NVIDIA加快训练速度®图形处理器,并获得了良好的效果更快。
设计
进口预训练使用ONNX模型™,然后用深网络设计的应用程序添加,删除或重新排列图层。
训练
无论您是使用一个GPU,GPU的多,云,或NVIDIA DGX,MATLAB支持多GPU训练的一行代码。金宝app
评估
在任何时间点了解您的网络执行。
- 训练前:使用网络分析仪来分析网络层和确保层的输入/输出的兼容性。
- 在培训过程中:可视化,同时在任何时候的网络列车和停训验证准确度的曲线图。
学到更多
部署
部署深学习模型的任何地方 - 自动生成代码在ARM原生运行®和英特尔®MRL-DNN。导入你的深度学习模型和生成CUDA®代码,目标TensorRT和CuDNN库。
学到更多
深度学习计算机视觉的例子
MATLAB提供特定深度学习等应用工具:
语义分割
语义分割是每个像素标记为一类的行为。这是自动驾驶和医疗用图像处理的关键技术。
目标检测
对象检测使用分类技术,如YOLO v2和更快RCNN识别场景中的对象。
图像和视频分类
标识采用了最新的研究模型图像和视频的对象和转移学习技术。
三维数据
MATLAB做处理与疏与密的3D技术,3D数据成为可能。应用包括激光雷达分类和医学图像的三维堆叠。