vgg19

Rete neurale convoluzionale VGG-19

• 

×

Sintassi

net = vgg19

net = vgg19('Weights','imagenet')

layers = vgg19('Weights','none')

Descrizione

VGG-19 è una rete neurale convoluzionale con 19 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.

È possibile utilizzare classify per classificare nuove immagini utilizzando la rete VGG-19. Seguire i passaggi di Classificazione di immagini utilizzando GoogLeNet e sostituire GoogLeNet con VGG-19.

Per riaddestrare la rete su una nuova attività di classificazione, seguire i passaggi di Addestramento della rete di Deep Learning per classificare nuove immagini e caricare VGG-19 al posto di GoogLeNet.

net = vgg19 restituisce una rete VGG-19 addestrata sul set di dati di ImageNet.

Questa funzione richiede il pacchetto di supporto Deep Learning Toolbox™ Model for VGG-19 Network. Se il pacchetto di supporto non è installato, la funzione fornisce un link per il download.

net = vgg19('Weights','imagenet') restituisce una rete VGG-19 addestrata sul set di dati di ImageNet. Questa sintassi è equivalente a net = vgg19.

layers = vgg19('Weights','none') restituisce l'architettura della rete VGG-19 non addestrata. Il modello non addestrato non richiede il pacchetto di supporto.

Esempi

Download del pacchetto di supporto per VGG-19

Questo esempio mostra come scaricare e installare il pacchetto di supporto Deep Learning Toolbox Model for VGG-19 Network.

Digitare vgg19 nella riga di comando.

vgg19

Se il pacchetto di supporto Deep Learning Toolbox Model for VGG-19 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 vgg19 nella riga di comando.

vgg19

ans = 

  SeriesNetwork with properties:

    Layers: [47×1 nnet.cnn.layer.Layer]

Visualizzare la rete con Deep Network Designer.

deepNetworkDesigner(vgg19)

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.

Caricamento della rete neurale convoluzionale VGG-19 preaddestrata

Caricare una rete neurale convoluzionale VGG-19 preaddestrata ed esaminare i livelli e le classi.

Utilizzare vgg19 per caricare una rete VGG-19 preaddestrata. L’output net è un oggetto SeriesNetwork.

net = vgg19

net = 
  SeriesNetwork with properties:

    Layers: [47×1 nnet.cnn.layer.Layer]

Visualizzare l'architettura della rete utilizzando la proprietà Layers. La rete ha 47 livelli. Sono presenti 19 livelli con pesi apprendibili: 16 livelli convoluzionali e 3 livelli completamente connessi.

net.Layers

ans = 
  47x1 Layer array with layers:

     1   'input'     Image Input             224x224x3 images with 'zerocenter' normalization
     2   'conv1_1'   Convolution             64 3x3x3 convolutions with stride [1  1] and padding [1  1  1  1]
     3   'relu1_1'   ReLU                    ReLU
     4   'conv1_2'   Convolution             64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]
     5   'relu1_2'   ReLU                    ReLU
     6   'pool1'     Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0  0  0]
     7   'conv2_1'   Convolution             128 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]
     8   'relu2_1'   ReLU                    ReLU
     9   'conv2_2'   Convolution             128 3x3x128 convolutions with stride [1  1] and padding [1  1  1  1]
    10   'relu2_2'   ReLU                    ReLU
    11   'pool2'     Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0  0  0]
    12   'conv3_1'   Convolution             256 3x3x128 convolutions with stride [1  1] and padding [1  1  1  1]
    13   'relu3_1'   ReLU                    ReLU
    14   'conv3_2'   Convolution             256 3x3x256 convolutions with stride [1  1] and padding [1  1  1  1]
    15   'relu3_2'   ReLU                    ReLU
    16   'conv3_3'   Convolution             256 3x3x256 convolutions with stride [1  1] and padding [1  1  1  1]
    17   'relu3_3'   ReLU                    ReLU
    18   'conv3_4'   Convolution             256 3x3x256 convolutions with stride [1  1] and padding [1  1  1  1]
    19   'relu3_4'   ReLU                    ReLU
    20   'pool3'     Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0  0  0]
    21   'conv4_1'   Convolution             512 3x3x256 convolutions with stride [1  1] and padding [1  1  1  1]
    22   'relu4_1'   ReLU                    ReLU
    23   'conv4_2'   Convolution             512 3x3x512 convolutions with stride [1  1] and padding [1  1  1  1]
    24   'relu4_2'   ReLU                    ReLU
    25   'conv4_3'   Convolution             512 3x3x512 convolutions with stride [1  1] and padding [1  1  1  1]
    26   'relu4_3'   ReLU                    ReLU
    27   'conv4_4'   Convolution             512 3x3x512 convolutions with stride [1  1] and padding [1  1  1  1]
    28   'relu4_4'   ReLU                    ReLU
    29   'pool4'     Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0  0  0]
    30   'conv5_1'   Convolution             512 3x3x512 convolutions with stride [1  1] and padding [1  1  1  1]
    31   'relu5_1'   ReLU                    ReLU
    32   'conv5_2'   Convolution             512 3x3x512 convolutions with stride [1  1] and padding [1  1  1  1]
    33   'relu5_2'   ReLU                    ReLU
    34   'conv5_3'   Convolution             512 3x3x512 convolutions with stride [1  1] and padding [1  1  1  1]
    35   'relu5_3'   ReLU                    ReLU
    36   'conv5_4'   Convolution             512 3x3x512 convolutions with stride [1  1] and padding [1  1  1  1]
    37   'relu5_4'   ReLU                    ReLU
    38   'pool5'     Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0  0  0]
    39   'fc6'       Fully Connected         4096 fully connected layer
    40   'relu6'     ReLU                    ReLU
    41   'drop6'     Dropout                 50% dropout
    42   'fc7'       Fully Connected         4096 fully connected layer
    43   'relu7'     ReLU                    ReLU
    44   'drop7'     Dropout                 50% dropout
    45   'fc8'       Fully Connected         1000 fully connected layer
    46   'prob'      Softmax                 softmax
    47   'output'    Classification Output   crossentropyex with 'tench' and 999 other classes

Per visualizzare i nomi delle classi apprese dalla rete, è possibile visualizzare la proprietà Classes del livello di output della classificazione (il livello finale). Visualizzare le prime 10 classi specificando i primi 10 elementi.

net.Layers(end).Classes(1:10)

ans = 10×1 categorical array
     tench 
     goldfish 
     great white shark 
     tiger shark 
     hammerhead 
     electric ray 
     stingray 
     cock 
     hen 
     ostrich 

Argomenti di output

net — Rete neurale convoluzionale VGG-19 preaddestrata

Oggetto SeriesNetwork

Rete neurale convoluzionale VGG-19 preaddestrata, restituita come un oggetto SeriesNetwork.

layers — Architettura della rete neurale convoluzionale VGG-19 non addestrata

array di Layer

Architettura della rete neurale convoluzionale VGG-19 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." arXiv preprint arXiv:1409.1556 (2014).

[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 = vgg19 o passando la funzione vgg19 su coder.loadDeepLearningNetwork (MATLAB Coder). Ad esempio: net = coder.loadDeepLearningNetwork('vgg19')

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

La sintassi vgg19('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 = vgg19 o passando la funzione vgg19 su coder.loadDeepLearningNetwork (GPU Coder). Ad esempio: net = coder.loadDeepLearningNetwork('vgg19')

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

• La sintassi vgg19('Weights','none') non è supportata per la generazione di codice GPU.

Cronologia versioni

Introdotto in R2017a

Vedi anche

Deep Network Designer | alexnet | vgg16 | googlenet | resnet18 | resnet50 | resnet101 | deepDreamImage | inceptionresnetv2 | squeezenet | densenet201

Argomenti

• Transfer Learning con Deep Network Designer
• Deep Learning in MATLAB
• Reti neurali profonde preaddestrate
• Classificazione di immagini utilizzando GoogLeNet
• Transfer learning utilizzando una rete preaddestrata
• Visualize Activations of a Convolutional Neural Network

×

Apri esempio

Si dispone di una versione modificata di questo esempio. Desideri aprire questo esempio con le tue modifiche?

No, sovrascrivi la versione modificata Sì