Deep Learning

 

Deep learning per la visione artificiale

Segmentazione semantica, rilevazione di oggetti e riconoscimento di immagini. Le applicazioni di visione artificiale integrate con il deep learning forniscono algoritmi avanzati con la precisione del deep learning. MATLAB® offre un ambiente per la progettazione, creazione e integrazione di modelli di deep learning con applicazioni di visione artificiale.

Puoi iniziare facilmente a utilizzare le funzionalità specifiche della visione artificiale, tra cui:

  • Applicazioni di etichettatura di immagini e video
  • Datastore di immagini per gestire grandi quantità di dati per l’addestramento, la verifica e la validazione
  • Tecniche di pre-elaborazione specifiche per immagini e visione artificiale
  • Capacità di importare modelli di deep learning da TensorFlow™-Keras e PyTorch per il riconoscimento di immagini

Esplorare il flusso di lavoro

MATLAB dispone di strumenti per la costruzione di un flusso di lavoro personalizzato per la visione artificiale con il deep learning.

Preparazione di dati

Accesso

Consulta e gestisci grandi quantità di dati in modo semplice e rapido con ImageDatastore.

Sintesi

Nel deep learning è fondamentale disporre di dati completi per costruire un modello preciso. L’incremento di dati consente agli ingegneri di aumentare il numero di campioni e variazioni di campioni di un algoritmo di addestramento. Crea più immagini di addestramento per una classificazione efficace aggiungendo varianza di scala e rotazione alle tue immagini mediante tecniche di incremento di dati immagine.

Etichettatura e pre-elaborazione

Grazie all’etichettatura di immagini e video, che include l’etichettatura dei pixel e la regione di interesse degli oggetti, non trascorrerai più svariate ore ad eseguire l’etichettatura manuale. Utilizza gli strumenti di elaborazione immagini per realizzare il taglio, il deblurring, lo schiarimento e il miglioramento dell’immagine prima di addestrare una rete.

Scopri di più

Progettazione, addestramento e valutazione di reti

Progetta reti in modo interattivo, velocizza l’addestramento utilizzando GPU NVIDIA® e ottieni buoni risultati più velocemente.

Progettazione

Importa modelli pre-addestrati tramite ONNX™, quindi utilizza l’applicazione Deep Network Designer per aggiungere, rimuovere o ridisporre i layer.

Corsi di formazione

Che tu stia utilizzando una GPU, più GPU, il cloud o NVIDIA DGX, MATLAB supporta l’addestramento di molte GPU con una sola riga di codice.

Valutazione

Monitora le prestazioni della tua rete in qualsiasi momento.

  • Prima dell’addestramento: Utilizza l’analizzatore di rete per analizzare i layer di rete e verificare la compatibilità di input/output dei layer.
  • Durante l’addestramento: Visualizza un grafico della precisione di validazione mentre addestri la rete e interrompi l’addestramento in qualsiasi momento.

Scopri di più

Distribuzione

Distribuisci i modelli di deep learning ovunque, genera codice automaticamente per eseguire in modo nativo su ARM® e Intel® MKL-DNN. Importa i modelli di deep learning e genera codice CUDA®, eseguendo il targeting di librerie CuDNN e TensorRT.

Scopri di più

Esempi di deep learning per la visione artificiale

MATLAB fornisce strumenti per applicazioni specifiche di deep learning, tra cui:

Segmentazione semantica

La segmentazione semantica consiste nell’etichettare ciascun pixel in una categoria. Si tratta di una tecnologia fondamentale per la guida autonoma e l’elaborazione di imaging medico.

Rilevazione di oggetti

La rilevazione di oggetti utilizza tecniche di classificazione come YOLO v2 e Faster-RCNN per identificare gli oggetti in una scena.

Classificazione di immagini e video

Identifica oggetti in immagini e video utilizzando i modelli di ricerca più recenti e le tecniche di transfer learning.

Dati 3D

MATLAB consente l’elaborazione di dati 3D con tecniche 3D sparse e dense. Le applicazioni includono la classificazione Lidar e stack 3D di immagini mediche.

Scopri di più sul deep learning per la visione artificiale

Prodotti di deep learning: