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

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.
  • Dopo l’addestramento: simula reti di deep learning in Simulink con componenti di controllo, elaborazione di segnali e fusione di sensori per valutare l’impatto del tuo modello di deep learning sulle prestazioni a livello di sistema

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.

nvidia

Scopri di più

Esempi di deep learning per la visione artificiale

MATLAB fornisce strumenti per specifiche applicazioni di deep learning quali

l'ispezione visiva e il rilevamento di difetti

Automatizzare l’ispezione e il rilevamento dei difetti è fondamentale per il controllo di qualità ad alto rendimento nei sistemi di produzione. Con MATLAB è possibile sviluppare approcci basati sul deep learning per rilevare e localizzare diversi tipi di anomalie.

Visual Inspection and defect detection

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.

Segmentazione semantica

Rilevazione di oggetti

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

Rilevazione di oggetti tramite Faster R-CNN.

Classificazione di immagini e video

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

Classificazione di immagini e video

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.

Dati 3D

Scopri di più sul deep learning per la visione artificiale