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 MAT-file o da una funzione MATLAB®.
Esempi
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 MAT-file.
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 previste
matrice
Punteggi previsti, restituiti come una matrice N per K, dove N è il numero delle osservazioni e K è il numero delle classi.
labels — Etichette di 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
Rete — 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 MAT-file contenente un oggettoSeriesNetwork
,DAGNetwork
odlnetwork
.Network from MATLAB function
: importare una rete preaddestrata da una funzione MATLAB. Ad esempio, utilizzando la funzionegooglenet
.
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' |
Percorso del file — MAT-file contenente una rete addestrata
untitled.mat
(predefinito) | Percorso o nome del MAT-file
Questo parametro specifica il nome del MAT-file 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 MAT-file |
Predefinito: 'untitled.mat' |
Funzione MATLAB — 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, utilizzare la funzione googlenet
per importare il modello GoogLeNet preaddestrato.
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' |
Dimensione del mini-batch — 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' |
Ridimensionamento dell’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' |
Classificazione — 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' |
Previsioni — 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' |
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 suNone
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
Vedi anche
Comando MATLAB
Hai fatto clic su un collegamento che corrisponde a questo comando MATLAB:
Esegui il comando inserendolo nella finestra di comando MATLAB. I browser web non supportano i comandi MATLAB.
Select a Web Site
Choose a web site to get translated content where available and see local events and offers. Based on your location, we recommend that you select: .
You can also select a web site from the following list:
How to Get Best Site Performance
Select the China site (in Chinese or English) for best site performance. Other MathWorks country sites are not optimized for visits from your location.
Americas
- América Latina (Español)
- Canada (English)
- United States (English)
Europe
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)