Riconoscimento immagini Code-Along

Scopri come scaricare e pre-elaborare i dati, importare una rete, eseguire il Transfer Learning e testare la rete per il Deep Learning con le immagini.

Segui le seguenti istruzioni:

  1. Scarica il codice
  2. Aprilo in MATLAB

Non puoi accedere? Richiedi ora una versione di prova gratuita.

Tempo necessario:
15–30 minuti
Prerequisiti:
Competenze base di MATLAB

Ti serve un aggiornamento? Prova un tutorial gratuito e interattivo.

Fase 1

Caricamento e pre-elaborazione dei dati

Importa, gestisci e conserva i dati per i tuoi progetti di Deep Learning con le immagini.

 

Nozioni apprese: importazione e preparazione dei dati per l’addestramento

  • Caricamento dati come datastore di immagini
  • La funzione imageDatastore etichetta automaticamente le immagini in base ai nomi delle cartelle
  • La pre-elaborazione dei dati è una prima fase comune del workflow di Deep Learning per preparare i dati grezzi in un formato accettabile dalla rete

Fase 2

Importazione della rete

Assicurati che la rete importata e che i dati immagine siano del formato corretto per produrre un modello altamente accurato. 

 

Nozioni apprese: utilizzo della rete per modellare le previsioni prima del nuovo addestramento

  • Importazione di reti e di architetture di rete da TensorFlow-Keras, TensorFlow 2, Caffe e formato del modello ONNX (Open Neural Network Exchange)
  • Esportazione di una rete addestrata con Deep Learning Toolbox nel formato del modello ONNX

Fase 3

Transfer Learning

Modifica una rete esistente per lavorare con i tuoi dati, in modo da personalizzare il Deep Learning ed eseguire la tua attività specifica.

 

Nozioni apprese: preparazione del modello per una nuova attività

  • Trasferimento delle feature apprese di una rete preaddestrata in un problema nuovo
  • Il Transfer Learning è più facile e veloce rispetto all’addestramento di una nuova rete
  • Riduzione dei tempi di addestramento e delle dimensioni dei set di dati
  • Esecuzione del Deep Learning senza dover imparare a creare un’intera rete nuova

Fase 4

Test della rete

Verifica le prestazioni del modello con dati nuovi e non solo con quelli appresi durante l’addestramento.

 

Nozioni apprese: test di tutte le immagini nel set di convalida e valutazione delle prestazioni della rete addestrata

  • Classificazione dei dati di convalida e calcolo della precisione di classificazione
  • Possibilità di provare a usare una rete preaddestrata per altre attività
  • Risoluzione di nuovi problemi di classificazione in relazione ai propri dati immagine con il Transfer Learning o l’estrazione delle feature