Image Classifier

Classifica i dati utilizzando una rete neurale addestrata di Deep Learning

Da R2020b

• 

×

Librerie:
Deep Learning Toolbox / Deep Neural Networks

Descrizione

Il blocco Image Classifier prevede le etichette della classe per i dati al momento dell’input utilizzando la rete addestrata specificata attraverso il parametro del blocco. Questo blocco consente di caricare una rete preaddestrata nel modello Simulink^® da un file MAT o da una funzione MATLAB^®.

Esempi

Classify Images in Simulink Using GoogLeNet

Classify an image in Simulink® using the Image Classifier block. The example uses the pretrained deep convolutional neural network GoogLeNet to perform the classification.

Apri script

Classify ECG Signals in Simulink Using Deep Learning

Use wavelet transforms and a deep learning network within a Simulink (R) model to classify ECG signals. This example uses the pretrained convolutional neural network from the Classify Time Series Using Wavelet Analysis and Deep Learning example of the Wavelet Toolbox™ to classify ECG signals based on images from the CWT of the time series data. For information on training, see Classify Time Series Using Wavelet Analysis and Deep Learning (Wavelet Toolbox).

Apri script

Limitazioni

• Il blocco Image Classifier non supporta le reti di sequenza e le reti a input multipli e output multipli (MIMO).

• Il blocco Image Classifier non supporta la registrazione di file MAT.

Porte

Input

image — Dati dell'immagine o dati delle feature

array numerico

Un array numerico h per w per c per N, dove h, w e c sono rispettivamente l’altezza, la larghezza e il numero di canali delle immagini e N è il numero delle immagini.

Un array numerico N per numFeatures, dove N è il numero di osservazioni e numFeatures è il numero delle feature dei dati di input.

Se l’array contiene dei NaN, verranno propagati attraverso la rete.

Output

ypred — Etichette della classe prevista

enumerate

Etichette della classe prevista con il punteggio maggiore, restituite come un vettore enumerato Nx1 di etichette, dove N è il numero delle osservazioni.

scores — Punteggi delle classi previsti

matrice

Punteggi previsti, restituiti come una matrice K per N, dove K è il numero delle classi e N è il numero dello osservazioni.

labels — Etichette della classe per i punteggi previsti

matrice

Etichette associate ai punteggi previsti, restituite come una matrice N per K, dove N è il numero delle osservazioni e K è il numero delle classi.

Parametri

Network — Sorgente per la rete addestrata

Network from MAT-file (predefinito) | Network from MATLAB function

Specificare la sorgente per la rete addestrata. Selezionare una delle seguenti opzioni:

• Network from MAT-file: importare una rete addestrata da un file MAT contenente un oggetto dlnetwork.

• Network from MATLAB function: importare una rete preaddestrata da una funzione MATLAB. Ad esempio, per utilizzare una rete GoogLeNet preaddestrata, creare una funzione pretrainedGoogLeNet in un M-file di MATLAB, quindi importare questa funzione.

  function net = pretrainedGoogLeNet
    net = imagePretrainedNetwork("googlenet");
  end

Utilizzo programmatico

Parametro del blocco: Network

Tipo: vettore di carattere, stringa

Valori: 'Network from MAT-file' | 'Network from MATLAB function'

Predefinito: 'Network from MAT-file'

File path — File MAT contenente una rete addestrata

untitled.mat (predefinito) | Percorso o nome del file MAT

Questo parametro specifica il nome del file MAT che comprende la rete addestrata di Deep Learning da caricare. Se il file non è presente nel percorso MATLAB, utilizzare il pulsante Browse per individuare il file.

Dipendenze

Per abilitare questo parametro, impostare il parametro Network su Network from MAT-file.

Utilizzo programmatico

Parametro del blocco: NetworkFilePath

Tipo: vettore di carattere, stringa

Valori: Percorso o nome del file MAT

Predefinito: 'untitled.mat'

MATLAB function — Nome della funzione MATLAB

squeezenet (predefinito) | Nome della funzione MATLAB

Questo parametro specifica il nome della funzione MATLAB per la rete preaddestrata di Deep Learning. Ad esempio, per utilizzare una rete GoogLeNet preaddestrata, creare una funzione pretrainedGoogLeNet in un M-file di MATLAB, quindi importare questa funzione.

function net = pretrainedGoogLeNet
  net = imagePretrainedNetwork("googlenet");
end

Dipendenze

Per abilitare questo parametro, impostare il parametro Network su Network from MATLAB function.

Utilizzo programmatico

Parametro del blocco: NetworkFunction

Tipo: vettore di carattere, stringa

Valori: Nome della funzione MATLAB

Predefinito: 'squeezenet'

Mini-batch size — Dimensione dei mini-batch

128 (predefinito) | intero positivo

Dimensione dei mini-batch da utilizzare per la previsione, specificata come un numero intero positivo. Mini-batch di dimensioni maggiori richiedono più memoria, ma possono portare a previsioni più rapide.

Utilizzo programmatico

Parametro del blocco: MiniBatchSize

Tipo: vettore di carattere, stringa

Valori: interi positivi

Predefinito: '128'

Resize input — Ridimensionamento delle dimensioni di input

on (predefinito) | off

Ridimensiona i dati alla porta di input alla dimensione di input della rete.

Utilizzo programmatico

Parametro del blocco: ResizeInput

Tipo: vettore di carattere, stringa

Valori: 'off' | 'on'

Predefinito: 'on'

Classification — Etichetta prevista di output con il punteggio maggiore

on (predefinito) | off

Abilita la porta di output ypred che fornisce l’etichetta con il punteggio più alto.

Utilizzo programmatico

Parametro del blocco: Classification

Tipo: vettore di carattere, stringa

Valori: 'off' | 'on'

Predefinito: 'on'

Predictions — Fornisce tutti i punteggi e le etichette associate

off (predefinito) | on

Abilita le porte di output scores e labels che forniscono tutti i punteggi previsti e le etichette di classe associate.

Utilizzo programmatico

Parametro del blocco: Predictions

Tipo: vettore di carattere, stringa

Valori: 'off' | 'on'

Predefinito: 'off'

Class names workspace variable — Variabile del workspace contenente i nomi delle classi dell'output di rete

classNames (predefinito) | variabile del vettore categorico | variabile dell'array di stringhe | array di celle del nome della variabile dei vettori di carattere

Variabile contenente i nomi delle classi, specificata come vettore categorico, array di stringhe o array di celle dei vettori di carattere.

La dimensione dell'output della rete deve corrispondere al numero di classi.

Dipendenze

Per abilitare questo parametro, impostare il parametro Network su Network from MAT-file per importare un oggetto addestrato dlnetwork da un file MAT.

Utilizzo programmatico

Parametro del blocco: classNames

Tipo: nome variabile di un vettore categorico, di un array di stringhe o di un array di celle dei vettori di carattere.

Valori: Nome di una variabile contenente i nomi delle classi, specificata come vettore categorico, array di stringhe o array di celle dei vettori di carattere.

Predefinito: La variabile classNames del workspace.

Suggerimenti

• È possibile accelerare le simulazioni con la generazione di codice sfruttando la libreria Intel^® MKL-DNN. Per ulteriori dettagli, vedere Acceleration for Simulink Deep Learning Models.

Funzionalità estese

Generazione di codice C/C++

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

Note sull’utilizzo e sulle limitazioni:

• Per generare codice C generico che non dipende da librerie di terze parti, in Configuration Parameters > categoria generale Code Generation, impostare il parametro Language su C.

• Per generare codice C++, in Configuration Parameters > categoria generale Code Generation, impostare il parametro Language su C++. Per specificare la libreria target per la generazione di codice, in Code Generation > categoria Interface, impostare il parametro Target Library. Impostando questo parametro su None si genera codice C++ generico che non dipende da librerie di terze parti.

• Per i target basati su ERT, il parametro Support: variable-size signals nel pannello Code Generation> Interface deve essere abilitato.

• Per un elenco delle reti e dei livelli supportati per la generazione di codice, vedere Networks and Layers Supported for Code Generation (MATLAB Coder).

Generazione di codice GPU

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

Note sull’utilizzo e sulle limitazioni:

• Il parametro Language in Configuration Parameters > categoria generale Code Generation deve essere impostato su C++.

• Per un elenco delle reti e dei livelli supportati per la generazione di codice CUDA^®, vedere Supported Networks, Layers, and Classes (GPU Coder).

• Per saperne di più sulla generazione di codice per i modelli Simulink contenenti il blocco Image Classifier, vedere Code Generation for a Deep Learning Simulink Model to Classify ECG Signals (GPU Coder).

Cronologia versioni

Introdotto in R2020b

R2024a: SeriesNetwork e DAGNetwork non sono consigliati

A partire dalla release R2024a, non è più consigliato utilizzare gli oggetti SeriesNetwork e DAGNetwork. Questo suggerimento indica che gli input SeriesNetwork e DAGNetwork al blocco Image Classifier non sono consigliati. Utilizzare invece gli oggetti dlnetwork. Gli oggetti dlnetwork presentano 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.

Il blocco Simulink modella con gli oggetti dlnetwork che si comportano in modo diverso. I punteggi previsti sono restituiti come matrice K per N, dove K è il numero di classi e N è il numero di osservazioni. Se è presente un modello del blocco Simulink con un oggetto SeriesNetwork o DAGNetwork, seguire questi passaggi per utilizzare invece un oggetto dlnetwork:

1. Convertire l'oggetto SeriesNetwork o DAGNetwork in un dlnetwork utilizzando la funzione dag2dlnetwork.

2. Definire una variabile del workspace contenente i nomi delle classi degli output di rete corrispondenti al parametro del blocco Class names workspace variable.

3. Trasporre i punteggi previsti utilizzando un blocco transpose su un array N per K, dove N è il numero delle osservazioni e K è il numero delle classi.

Vedi anche

Predict