Deep Learning

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.

Download dei modelli pre-addestrati

Invece di creare un modello di Deep Learning da zero, è possibile scaricare un modello pre-addestrato, utilizzabile direttamente o personalizzabile in base alla propria attività.

Modelli MATLAB

Scopri MATLAB Deep Learning Model Hub per accedere ai modelli più recenti suddivisi per categoria e ricevere consigli sulla scelta del modello.

Carica la maggior parte dei modelli nella riga di comando. Ad esempio:

 net = darknet19;

Modelli open-source

Converti i modelli TensorFlow™, PyTorch® e ONNX™ in reti MATLAB utilizzando una funzione di importazione. Ad esempio:

 net = importTensorFlowNetwork("EfficientNetV2L") 

Utilizzo di modelli pre-addestrati

Utilizza modelli pre-addestrati per la classificazione di immagini, la visione artificiale, l’elaborazione audio, l’elaborazione LIDAR e altri workflow di Deep Learning.

  • Trova il giusto modello pre-addestrato e utilizzalo direttamente per la tua attività.
  • Esegui il transfer learning adattando un modello pre-addestrato a una nuova attività o un nuovo set di dati. Aggiornare e addestrare nuovamente un modello è più rapido e semplice che crearlo da zero.
  • Utilizza un modello pre-addestrato come estrattore di feature utilizzando le attivazioni dei layer come feature. Successivamente, usa queste feature per addestrare un altro modello di Machine Learning, ad esempio una macchina a vettori di supporto (SVM).
  • Utilizza un modello pre-addestrato come base per un altro tipo di modello. Ad esempio, utilizza una rete neurale convoluzionale (CNN) come punto di partenza per creare un modello di rilevamento oggetti o di segmentazione semantica.

Classificazione di immagini

Per le attività di classificazione di immagini, usa una rete neurale convoluzionale come NASNet-Mobile e EfficientNet. La maggior parte delle CNN viene addestrata sul database ImageNet.

Visione artificiale

Analizza immagini e video mediante il rilevamento oggetti (YOLO), la segmentazione semantica/delle istanze (AdaptSeg/MASK R-CNN) e la classificazione di video (SlowFast).

Elaborazione audio

Individua e classifica i suoni con YAMNet, stima il pitch con CREPE ed estrai gli embedding di feature con VGGish o OpenL3.

LIDAR

Analizza i dati di nuvole di punti utilizzando la classificazione (PointNet), il rilevamento oggetti (PointPillars) e la segmentazione semantica (PointSeg).

Elaborazione del linguaggio naturale

Sfrutta le funzionalità del linguaggio naturale di modelli linguistici di grandi dimensioni (LLM). Per utilizzare i modelli LLM, connetti MATLAB all’API Chat Completions di OpenAI™ oppure carica un modello integrato (BERT).

Suggerimenti per la selezione di modelli

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

Velocità

Per iniziare, scegli uno dei modelli più veloci, come ad esempio SqueezeNet o GoogleNet. Quindi crea iterazioni rapide e prova diverse opzioni di pre-elaborazione e addestramento.

Precisione

Una volta individuate le impostazioni corrette, prova un modello più accurato, come Inception-v3 o ResNet-50, e verifica se ottieni risultati migliori.

Dimensioni

Quando esegui la distribuzione su dispositivi edge come Raspberry Pi® o FPGA, scegli un modello con un footprint di memoria ridotto, come SqueezeNet o MobileNet-v2.

Prodotti

Scopri i prodotti utilizzati con i modelli di Deep Learning.