Ausprobieren von Deep Learning mit 10 Zeilen MATLAB-Programmcode
Dieses Beispiel veranschaulicht, wie Deep Learning eingesetzt werden kann, um von einer Live-Webcam aufgenommene Objekte mithilfe von nur 10 Zeilen MATLAB®-Programmcode zu identifizieren. Probieren Sie dieses Beispiel aus, um festzustellen, wie einfach die ersten Schritte mit Deep Learning in MATLAB sein können.
Führen Sie diese Befehle aus, um bei Bedarf die Downloads abzurufen, eine Verbindung mit der Webcam herzustellen und ein vortrainiertes neuronales Netz zu erhalten.
camera = webcam; % Connect to the camera net = squeezenet; % Load the neural network
Wenn Sie das Add-on
webcam
installieren müssen, wird von der Funktion eine Meldung mit einem Link angezeigt, um den Download des kostenlosen Add-ons mithilfe des Add-on-Explorers zu vereinfachen. Alternativ finden Sie weitere Informationen unter MATLAB Support Package for USB Webcams.SqueezeNet ist ein vortrainiertes Convolutional Neural Network, das mit mehr als einer Million Bilder trainiert wurde und Bilder in 1000 Objektkategorien klassifizieren kann (z. B. Tastatur, Maus, Kaffeebecher, Bleistift und viele Tierarten).
Führen Sie den folgenden Code aus, um Live-Bilder anzuzeigen und zu klassifizieren. Richten Sie die Webcam auf ein Objekt und das neuronale Netz meldet, welcher Klasse von Objekt es das Bild der Webcam zuordnet. Es klassifiziert Bilder so lange, bis Sie die Tastenkombination Strg+C eingeben. Der Code legt die Größe des Bilds für das Netz mithilfe des Befehls
imresize
fest.while true im = snapshot(camera); % Take a picture image(im); % Show the picture im = imresize(im,[227 227]); % Resize the picture for squeezenet label = classify(net,im); % Classify the picture title(char(label)); % Show the class label drawnow end
In diesem Beispiel wird vom Netz korrekterweise ein Kaffeebecher klassifiziert. Experimentieren Sie mit Objekten in Ihrer Umgebung, um festzustellen, wie genau das Netz ist.
Ein Video zu diesem Beispiel finden Sie unter Deep Learning in 11 Lines of MATLAB Code.
Informationen dazu, wie Sie dieses Beispiel erweitern und die Wahrscheinlichkeits-Scores von Klassen aufrufen können, finden Sie unter Classify Webcam Images Using Deep Learning.
In den nächsten Schritten des Deep Learning können Sie das vortrainierte Netz für andere Aufgaben verwenden. Lösen Sie neue Klassifizierungsprobleme für Ihre Bilddaten mithilfe von Transfer Learning oder Merkmalsextraktion. Beispiele finden Sie unter Start Deep Learning Faster Using Transfer Learning und Train Classifiers Using Features Extracted from Pretrained Networks. Wenn Sie andere vortrainierte Netze ausprobieren möchten, finden Sie unter Pretrained Deep Neural Networks weitere Informationen.
Siehe auch
trainNetwork
| trainingOptions
| squeezenet
Verwandte Themen
- Classify Webcam Images Using Deep Learning
- Klassifizierung eines Bilds mithilfe eines vortrainierten Netzes
- Erste Schritte mit Transfer Learning
- Prepare Network for Transfer Learning Using Deep Network Designer
- Erstellen eines einfachen Netzes zur Bildklassifizierung
- Erstellen eines einfachen Netzes zur Sequenzklassifizierung mithilfe von Deep Network Designer