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

vgg16

Rete neurale convoluzionale VGG-16 (non consigliata)

• 

vgg16 non è consigliata. Utilizzare invece la funzione imagePretrainedNetwork e specificare il modello "vgg16". Per ulteriori informazioni, vedere Storico della versione.

Sintassi

net = vgg16

net = vgg16('Weights','imagenet')

layers = vgg16('Weights','none')

Descrizione

VGG-16 è una rete neurale convoluzionale con 16 livelli di profondità. È possibile caricare una versione preaddestrata della rete, addestrata su oltre un milione di immagini del database di ImageNet [1]. La rete preaddestrata 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 = vgg16 restituisce una rete VGG-16 addestrata sul set di dati di ImageNet.

Questa funzione richiede il pacchetto di supporto Deep Learning Toolbox™ Model for VGG-16 Network. Se il pacchetto di supporto non è installato, la funzione fornisce un link per il download.

net = vgg16('Weights','imagenet') restituisce una rete VGG-16 addestrata sul set di dati di ImageNet. Questa sintassi è equivalente a net = vgg16.

layers = vgg16('Weights','none') restituisce l'architettura della rete VGG-16 non addestrata. Il modello non addestrato non richiede il pacchetto di supporto.

Esempi

Download del pacchetto di supporto per VGG-16

Scaricare e installare il pacchetto di supporto Deep Learning Toolbox Model for VGG-16 Network.

Digitare vgg16 nella riga di comando.

vgg16

Se il pacchetto di supporto Deep Learning Toolbox Model for VGG-16 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 vgg16 nella riga di comando.

vgg16

ans = 

  SeriesNetwork with properties:

    Layers: [41×1 nnet.cnn.layer.Layer]

Visualizzare la rete con Deep Network Designer.

deepNetworkDesigner(vgg16)

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 VGG-16 preaddestrata

Oggetto SeriesNetwork

Rete neurale convoluzionale VGG-16 preaddestrata, restituita come un oggetto SeriesNetwork.

layers — Architettura della rete neurale convoluzionale VGG-16 non addestrata

array di Layer

Architettura della rete neurale convoluzionale VGG-16 non addestrata, restituita come un array di Layer.

Riferimenti

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

[2] Russakovsky, O., Deng, J., Su, H., et al. “ImageNet Large Scale Visual Recognition Challenge.” International Journal of Computer Vision (IJCV). Vol 115, Issue 3, 2015, pp. 211–252

[3] Simonyan, Karen, and Andrew Zisserman. “Very Deep Convolutional Networks for Large-Scale Image Recognition.” Preprint, submitted in 2014. https://doi.org/10.48550/ARXIV.1409.1556.

[4] Very Deep Convolutional Networks for Large-Scale Visual Recognition http://www.robots.ox.ac.uk/~vgg/research/very_deep/

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 = vgg16 o passando la funzione vgg16 su coder.loadDeepLearningNetwork (MATLAB Coder). Ad esempio: net = coder.loadDeepLearningNetwork('vgg16')

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

La sintassi vgg16('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 = vgg16 o passando la funzione vgg16 su coder.loadDeepLearningNetwork (GPU Coder). Ad esempio: net = coder.loadDeepLearningNetwork('vgg16')

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

• La sintassi vgg16('Weights','none') non è supportata per la generazione di codice GPU.

Cronologia versioni

Introdotto in R2017a

R2024a: Non consigliato

vgg16 non è consigliata. Utilizzare invece la funzione imagePretrainedNetwork e specificare "vgg16" come modello.

Non è prevista la sospensione dell'assistenza per la funzione vgg16. 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 vgg16 e come aggiornare il codice per utilizzare invece la funzione imagePretrainedNetwork.

Non consigliato	Consigliato
net = vgg16;	[net,classNames] = imagePretrainedNetwork("vgg16");
net = vgg16(Weights="none");	net = imagePretrainedNetwork("vgg16",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
• Visualize Activations of a Convolutional Neural Network