Esempio guidato per il riconoscimento immagini

Scopri come caricare e pre-elaborare i dati, importare una rete, eseguire il Transfer Learning e testare la rete usando il Deep Learning.

Come iniziare:

Scarica il codice.
Apri il codice in MATLAB.
Attieniti alla procedura indicata di seguito.

Non hai l’accesso?

Richiedi una versione di prova gratuita

Tempo necessario:: 15–30 minuti
Livello:: Principianti/Intermedio

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

Panoramica

Caricamento e pre-elaborazione dei dati
Importazione della rete
Transfer Learning
Test della rete

Fase 1

Caricamento e pre-elaborazione dei dati

Con il Deep Learning è possibile utilizzare set di dati di grandi dimensioni, per cui è importante gestire i dati in modo adeguato. Tuttavia, ai fini della dimostrazione, il set di dati di questo esempio è di piccole dimensioni.

Importa i dati usando un imageDatastore. La funzione imageDatastore etichetta automaticamente le immagini in base ai nomi delle cartelle.
Per addestrare il modello, suddividi i dati in due categorie: “dati di addestramento” per addestrare il modello e “dati di test” per testare il funzionamento del modello con dati nuovi (da utilizzare nella Fase 4, Test della rete).
Visualizza immagini casuali dal set di dati per capire come vengono visualizzati i dati.

Fai clic su Esegui sezione per eseguire il codice.

Aspetti importanti da ricordare:

Per l’intera procedura e per qualsiasi progetto futuro di Deep Learning con immagini, i tuoi dati si troveranno nell’imageDatastore.
Le app basate su immagini possono velocizzare notevolmente le attività di pre-elaborazione più comuni quali il ritaglio, l’etichettatura e la registrazione delle immagini.

Fase 2

Importazione della rete

In questa fase, l’esempio utilizza GoogLeNet per importare un modello di Deep Learning e modificarlo per il Transfer Learning, ma è anche possibile importare modelli e architetture da TensorFlow, PyTorch e ONNX.

Importa il modello e accertati che i dati siano pronti.

Usa l’app Deep Network Designer per alterare in modo interattivo il modello per una nuova attività. Per la pre-elaborazione, accertati che le immagini siano delle dimensioni corrette e previste dal modello di Deep Learning.

Fai delle prove con delle immagini campione per vedere cosa prevede il modello. Se il modello non è stato addestrato per riconoscere i dati, le previsioni potrebbero essere errate (cfr. Fase 3, Transfer Learning).

Fai clic su Esegui sezione per eseguire il codice.

Aspetti importanti da ricordare:

Usa svariati modelli preaddestrati come punto di partenza per il Transfer Learning.
Per evitare che il modello generi errori, i dati devono essere delle dimensioni corrette.

Fase 3

Transfer Learning

In questa fase, il modello deve essere modificato affinché funzioni con i propri dati specifici. L’addestramento dei modelli può richiedere tempi lunghi, a seconda dell’hardware e del formato del set di dati.

Prepara il tuo modello sostituendo il layer finale completamente connesso con un nuovo layer completamente connesso sulla base del numero di categorie di cui disponi. Questo esempio usa 4 categorie.

Sostituisci il layer di classificazione finale in base alla tua attività.

Per addestrare il modello, fai clic su Esegui sezione. Accertati di aver già eseguito il codice nelle fasi 1 e 2. L’addestramento richiede circa 60 secondi.

Aspetti importanti da ricordare:

Personalizza il Deep Learning per eseguire la tua attività specifica modificando il modello.
Usa l’app Deep Network Designer per semplificare il processo di Transfer Learning.

Fase 4

Test della rete

Nella fase conclusiva verifica che il modello funzioni con dati nuovi. Occorre classificare i dati di test (preparati nella Fase 1, Caricamento e pre-elaborazione dei dati) e calcolare la precisione di classificazione.

Esegui il comando di classificazione per testare tutte le immagini del tuo set di test e visualizzare la precisione (in questo caso, 90%).

Seleziona le immagini nel tuo set di test da visualizzare con le etichette corrispondenti.

Aspetti importanti da ricordare:

Usa un modello flessibile che funzioni con dati nuovi o in circostanze nuove e non solo con i dati appresi durante l’addestramento.
Per soluzioni di IA più avanzate, usa le tecniche di IA esplicabile per scoprire perché un modello prevede una determinata categoria.

È inoltre possibile seguire il video qui sotto:

Accedi ai link qui sotto per proseguire con altre attività di riconoscimento immagini o continua a esplorare il Deep Learning con applicazioni correlate.