Pre-elaborazione dei dati per le reti neurali profonde
La pre-elaborazione dei dati per accertarsi che siano in un formato accettabile da parte della rete è un primo passo abituale nei workflow di Deep Learning. Ad esempio, si possono ridimensionare le immagini di input per farle corrispondere alle dimensioni di un livello di input di immagini. È anche possibile pre-elaborare i dati per migliorare le feature desiderate o ridurre gli artefatti che possono influenzare la rete. Ad esempio, è possibile normalizzare o rimuovere il rumore dai dati di input.
È possibile pre-elaborare le immagini di input con operazioni quali il ridimensionamento, utilizzando i datastore e le funzioni disponibili in MATLAB® e Deep Learning Toolbox™. Altri toolbox MATLAB offrono funzioni, datastore e app per l'etichettatura, l'elaborazione e l'incremento dei dati di Deep Learning. Utilizzare strumenti specializzati di altri toolbox MATLAB per elaborare i dati per domini quali l'elaborazione delle immagini, il rilevamento di oggetti, la segmentazione semantica, l'elaborazione dei segnali, l'elaborazione dell'audio e l'analisi dei testi.
App
Image Labeler | Label images for computer vision applications |
Video Labeler | Label video for computer vision applications |
Ground Truth Labeler | Label ground truth data for automated driving applications |
Lidar Labeler | Label ground truth data in lidar point clouds (Da R2020b) |
Signal Labeler | Label signal attributes, regions, and points of interest, and extract features |
Funzioni
imageDatastore | Datastore for image data |
augmentedImageDatastore | Trasformare i batch per aumentare i dati dell’immagine |
imageDataAugmenter | Configure image data augmentation |
augment | Apply identical random transformations to multiple images |
minibatchqueue | Create mini-batches for deep learning (Da R2020b) |
Argomenti
Pre-elaborazione dei dati di Deep Learning
- Data Sets for Deep Learning
Discover data sets for various deep learning tasks. - Preprocess Images for Deep Learning
Learn how to resize images for training, prediction, and classification, and how to preprocess images using data augmentation, transformations, and specialized datastores. - Preprocess Volumes for Deep Learning
Read and preprocess volumetric image and label data for 3-D deep learning. - Preprocess Data for Domain-Specific Deep Learning Applications
Perform deterministic or randomized data processing for domains such as image processing, object detection, semantic segmentation, signal and audio processing, and text analytics.
Personalizzazione dei datastore
- Datastores for Deep Learning
Learn how to use datastores in deep learning applications. - Train Network Using Out-of-Memory Sequence Data
This example shows how to train a deep learning network on out-of-memory sequence data by transforming and combining datastores. - Classify Text Data Using Convolutional Neural Network
This example shows how to classify text data using a convolutional neural network. - Develop Custom Mini-Batch Datastore
Create a fully customized mini-batch datastore that contains training and test data sets for network training, prediction, and classification.
Etichettatura dei dati di addestramento della verità di base
- Choose an App to Label Ground Truth Data
Decide which app to use to label ground truth data: Image Labeler, Video Labeler, Ground Truth Labeler, Lidar Labeler, Signal Labeler, or Medical Image Labeler. - Get Started with Ground Truth Labelling (Automated Driving Toolbox)
Interactively label multiple lidar and video signals simultaneously. - Custom Labeling Functions (Signal Processing Toolbox)
Create and manage custom labeling functions. - Label Spoken Words in Audio Signals (Signal Processing Toolbox)
Use Signal Labeler to label spoken words in an audio signal. - Label Pixels for Semantic Segmentation (Computer Vision Toolbox)
Label pixels for training a semantic segmentation network by using a labeling app.