Modelli di Deep Learning pre-addestrati

Sfrutta i vantaggi delle architetture dei modelli sviluppate dalla community di ricerca sul Deep Learning. I modelli più diffusi offrono un’architettura robusta e sono un’ottima soluzione per non dover partire da zero.

Consigli per selezionare un modello

Ci sono tantissimi modelli pre-addestrati tra cui scegliere e ciascuno presenta dei tradeoff:

  • Dimensioni: quanta memoria richiede il modello
    La posizione finale del modello determina le l’importanza che assumeranno le dimensioni della rete.
    Quando si sceglie di procedere alla distribuzione su un sistema a bassa memoria, è meglio scegliere un modello progettato appositamente per questa attività. 
    Guarda i modelli per la distribuzione edge
  • Precisione: rendimento delle prestazioni del modello prima che venga sottoposto a un nuovo addestramento
    In genere, se un modello dimostra buone prestazioni con il dataset ImageNet, significa che ha appreso delle feature informative e che potrebbe funzionare bene anche in attività nuove e simili. 
    Scopri i modelli a maggiore precisione
  • Velocità delle previsioni: a quale velocità il modello riesce a fare previsioni su nuove immagini
    Se è vero che la velocità delle previsioni può variare in base a molti fattori, come le dimensioni dei batch e l’hardware, può variare anche in base all’architettura del modello scelto e alle sue dimensioni.
    Confronta le velocità di previsione grazie ai modelli semplici per iniziare.

Scopri i tradeoff tra i modelli nelle sezioni che seguono.

Per importare un qualsiasi modello in MATLAB, la struttura è la seguente:

 >> net = networkname 

Ovvero

 >> net = alexnet >> net = resnet50 

Se il modello non è già stato scaricato, verrà fornito un link per scaricarlo in MATLAB.

Modelli semplici per iniziare

È possibile creare delle iterazioni rapide su questi modelli e provare diverse impostazioni, come le fasi di pre-elaborazione dei dati e le opzioni di addestramento. Una volta individuate le impostazioni che sembrano funzionare meglio, prova una rete più precisa per vedere se i risultati migliorano.

Consulta gli esempi:

Modelli a maggiore precisione

Analizza modelli altamente efficaci per i workflow basati su immagini, come la classificazione delle immagini, il rilevamento di oggetti e la segmentazione semantica.

Per i workflow di rilevamento oggetti:

Come base per i problemi di rilevamento degli oggetti e dei workflow YOLO spesso di usano DarkNet-19, DarkNet-53 e ResNet-50. Guarda gli esempi sul rilevamento degli oggetti con Yolov2 e Yolov3.

Per i workflow di segmentazione semantica:

L’uso di una qualsiasi delle architetture di rete predefinite rappresenta un ottimo punto di partenza per l’addestramento di reti di segmentazione semantica. Queste sono le architetture a livelli usate più frequentemente per i problemi di segmentazione semantica:

  • segnetLayers
  • unetLayers
  • unet3dLayers
  • DeepLab v3+

Scopri di più su come si crea una rete di segmentazione semantica con Deeplab v3+ facendo clic qui.

Modelli per la distribuzione edge

Esegui la distribuzione su dispositivi a basso livello computazionale e di potenza come Raspberry Pi o FPGA, che richiedono modelli con footprint di memoria dalle dimensioni ridotte.

Accedi agli argomenti correlati:

Consulta gli esempi:

Modelli di altri framework

Sei alla ricerca di modelli appartenenti ad altri framework? Usa gli importer di ONNX, TensorFlow-Keras e Caffe per importare qualsiasi rete in MATLAB. 

Consulta gli esempi:

Livelli non supportati?

Scopri come importare livelli Keras pre-addestrati e sostituire i livelli non supportati con livelli personalizzati.

Elenco completo dei modelli disponibili in MATLAB

Nuovi modelli ed esempi di Deep Learning