La traduzione di questa pagina non è aggiornata. Fai clic qui per vedere l'ultima versione in inglese.

efficientnetb0

Rete neurale convoluzionale EfficientNet-b0 (non consigliata)

• 

efficientnetb0 non è consigliata. Utilizzare invece la funzione imagePretrainedNetwork e specificare il modello "efficientnetb0". Per ulteriori informazioni, vedere Storico della versione.

Sintassi

net = efficientnetb0

net = efficientnetb0('Weights','imagenet')

lgraph = efficientnetb0('Weights','none')

Descrizione

EfficientNet-b0 è una rete neurale convoluzionale addestrata su oltre un milione di immagini del database ImageNet [1]. La rete è in grado di classificare le immagini in 1000 categorie di oggetti, come tastiera, mouse, matita e molti animali. Di conseguenza, la rete ha appreso rappresentazioni ricche di feature per un'ampia gamma di immagini. La rete ha una dimensione di input dell'immagine di 224x224. Per ulteriori reti addestrate in MATLAB^®, vedere Reti neurali profonde preaddestrate.

net = efficientnetb0 restituisce una rete modello EfficientNet-b0 addestrata sul set di dati di ImageNet.

Questa funzione richiede il pacchetto di supporto Deep Learning Toolbox™ Model for EfficientNet-b0 Network. Se il pacchetto di supporto non è installato, la funzione fornisce un link per il download.

net = efficientnetb0('Weights','imagenet') restituisce una rete modello EfficientNet-b0 addestrata sul set di dati di ImageNet. Questa sintassi è equivalente a net = efficientnetb0.

lgraph = efficientnetb0('Weights','none') restituisce l'architettura della rete modello EfficientNet-b0 non addestrata. Il modello non addestrato non richiede il pacchetto di supporto.

Esempi

Download del pacchetto di supporto per EfficientNet-b0

Scaricare e installare il pacchetto di supporto Deep Learning Toolbox Model for EfficientNet-b0 Network.

Digitare efficientnetb0 nella riga di comando.

efficientnetb0

Se il pacchetto di supporto Deep Learning Toolbox Model for EfficientNet-b0 Network non è installato, la funzione fornisce un link al pacchetto di supporto richiesto nell’Add-On Explorer. Fare clic sul link per installare il pacchetto di supporto, quindi fare clic su Install. Verificare che l’installazione sia stata eseguita correttamente digitando efficientnetb0 nella riga di comando. Se il pacchetto di supporto richiesto è installato, la funzione restituisce un oggetto DAGNetwork.

efficientnetb0

ans = 

  DAGNetwork with properties:

         Layers: [290×1 nnet.cnn.layer.Layer]
    Connections: [363×2 table]
     InputNames: {'ImageInput'}
    OutputNames: {'classification'}

Visualizzare la rete con Deep Network Designer.

deepNetworkDesigner(efficientnetb0)

Scoprire altre reti neurali preaddestrate in Deep Network Designer facendo clic su New.

Se è necessario scaricare una rete neurale, fermarsi sulla rete neurale desiderata e fare clic su Install per aprire l’Add-On Explorer.

Argomenti di output

net — Rete neurale convoluzionale EfficientNet-b0 preaddestrata

Oggetto DAGNetwork

Rete neurale convoluzionale EfficientNet-b0 preaddestrata, restituita come un oggetto DAGNetwork.

lgraph — Architettura della rete neurale convoluzionale EfficientNet-b0 non addestrata

Oggetto LayerGraph

Architettura della rete neurale convoluzionale EfficientNet-b0 non addestrata, restituita come un oggetto LayerGraph.

Riferimenti

[1] ImageNet. http://www.image-net.org.

[2] Tan, Mingxing, and Quoc V. Le. “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks.” Preprint, submitted in 2019. https://doi.org/10.48550/ARXIV.1905.11946.

Funzionalità estese

Generazione di codice C/C++

Genera codice C e C++ con MATLAB® Coder™.

Per la generazione di codice, è possibile caricare la rete utilizzando la sintassi net = efficientnetb0 o passando la funzione efficientnetb0 su coder.loadDeepLearningNetwork (MATLAB Coder). Ad esempio: net = coder.loadDeepLearningNetwork('efficientnetb0')

Per ulteriori informazioni, vedere Load Pretrained Networks for Code Generation (MATLAB Coder).

La sintassi efficientnetb0('Weights','none') non è supportata per la generazione di codice.

Generazione di codice GPU

Genera codice CUDA® per GPU NVIDIA® con GPU Coder™.

Note sull’utilizzo e sulle limitazioni:

• Per la generazione di codice, è possibile caricare la rete utilizzando la sintassi net = efficientnetb0 o passando la funzione efficientnetb0 su coder.loadDeepLearningNetwork (GPU Coder). Ad esempio: net = coder.loadDeepLearningNetwork('efficientnetb0')

  Per ulteriori informazioni, vedere Load Pretrained Networks for Code Generation (GPU Coder).

• La sintassi efficientnetb0('Weights','none') non è supportata per la generazione di codice GPU.

Cronologia versioni

Introdotto in R2020b

R2024a: Non consigliato

efficientnetb0 non è consigliata. Utilizzare invece la funzione imagePretrainedNetwork e specificare "efficientnetb0" come modello.

Non è prevista la sospensione dell'assistenza per la funzione efficientnetb0. Comunque, la funzione imagePretrainedNetwork presenta delle funzionalità aggiuntive che aiutano i workflow del transfer learning. Ad esempio, è possibile specificare il numero di classi nei dati utilizzando l'opzione numClasses; in questo modo, la funzione restituisce una rete pronta per essere riaddestrata senza bisogno di modifiche.

La funzione imagePretrainedNetwork restituisce la rete come oggetto dlnetwork che non memorizza i nomi delle classi. Per ottenere i nomi delle classi della rete preaddestrata, utilizzare il secondo argomento di output della funzione imagePretrainedNetwork.

Questa tabella mostra alcuni usi tipici della funzione efficientnetb0 e come aggiornare il codice per utilizzare invece la funzione imagePretrainedNetwork.

Non consigliato	Consigliato
net = efficientnetb0;	[net,classNames] = imagePretrainedNetwork("efficientnetb0");
net = efficientnetb0(Weights="none");	net = imagePretrainedNetwork("efficientnetb0",Weights="none");

imagePretrainedNetwork restituisce un oggetto dlnetwork che presenta inoltre questi vantaggi:

• Gli oggetti dlnetwork sono un tipo di dati unificato che supporta la costruzione di reti, la previsione, l'addestramento integrato, la visualizzazione, la compressione, la verifica e i loop di addestramento personalizzati.

• Gli oggetti dlnetwork supportano una gamma più ampia di architetture di rete che è possibile creare o importare da piattaforme esterne.

• La funzione trainnet supporta gli oggetti dlnetwork che consentono di specificare le funzioni di perdita con facilità. È possibile scegliere tra le funzioni di perdita integrate o specificare una funzione di perdita personalizzata.

• L'addestramento e la previsione con gli oggetti dlnetwork è generalmente più veloce dei workflow LayerGraph e trainNetwork.

Per addestrare una rete neurale specificata come oggetto dlnetwork, utilizzare la funzione trainnet.

Vedi anche

imagePretrainedNetwork | dlnetwork | trainingOptions | trainnet | Deep Network Designer

Argomenti

• Preparazione della rete per il transfer learning con Deep Network Designer
• Deep Learning in MATLAB
• Reti neurali profonde preaddestrate
• Classificazione di immagini utilizzando GoogLeNet
• Retrain Neural Network to Classify New Images
• Train Residual Network for Image Classification