efficientnetb0

(Nicht empfohlen) Convolutional Neural Network EfficientNet-b0

• 

efficientnetb0 wird nicht empfohlen. Verwenden Sie stattdessen die imagePretrainedNetwork-Funktion und geben Sie das "efficientnetb0"-Modell an. Weitere Informationen finden Sie unter Versionsverlauf.

Syntax

net = efficientnetb0

net = efficientnetb0('Weights','imagenet')

lgraph = efficientnetb0('Weights','none')

Beschreibung

EfficientNet-b0 ist ein Convolutional Neural Network, das anhand mehr als einer Million Bildern aus der ImageNet-Datenbank [1] trainiert wurde. Das Netz kann Bilder in 1000 Objektkategorien klassifizieren (z. B. Tastatur, Maus, Bleistift und viele Tierarten). Im Ergebnis hat das Netz eine Vielzahl von Merkmalen für eine große Bandbreite von Bildern erlernt. Dieses Netz weist eine Bild-Eingangsgröße von 224x224 auf. Weitere Informationen über vortrainierte Netze in MATLAB^® finden Sie unter Pretrained Deep Neural Networks.

net = efficientnetb0 gibt ein mit dem ImageNet-Datensatz trainiertes EfficientNet-b0-Netz zurück.

Diese Funktion erfordert das Supportpaket Deep Learning Toolbox™ Model for EfficientNet-b0 Network. Wenn das Supportpaket nicht installiert ist, stellt die Funktion einen Download-Link bereit.

net = efficientnetb0('Weights','imagenet') gibt ein mit dem ImageNet-Datensatz trainiertes EfficientNet-b0-Netz zurück. Diese Syntax ist äquivalent zu net = efficientnetb0.

lgraph = efficientnetb0('Weights','none') gibt die untrainierte EfficientNet-b0-Netzarchitektur zurück. Das untrainierte Modell erfordert kein Supportpaket.

Beispiele

Herunterladen des EfficientNet-b0-Supportpakets

Laden Sie das Supportpaket Deep Learning Toolbox Model for EfficientNet-b0 Network herunter und installieren Sie es.

Geben Sie in der Befehlszeile efficientnetb0 ein.

efficientnetb0

Wenn das Supportpaket Deep Learning Toolbox Model for EfficientNet-b0 Network nicht installiert ist, stellt die Funktion einen Link zum erforderlichen Supportpaket im Add-On Explorer bereit. Um das Supportpaket zu installieren, klicken Sie auf den Link und daraufhin auf Install. Geben Sie in der Befehlszeile efficientnetb0 ein, um zu überprüfen, ob die Installation erfolgreich war. Wurde das erforderliche Supportpaket installiert, gibt die Funktion ein DAGNetwork-Objekt aus.

efficientnetb0

ans = 

  DAGNetwork with properties:

         Layers: [290×1 nnet.cnn.layer.Layer]
    Connections: [363×2 table]
     InputNames: {'ImageInput'}
    OutputNames: {'classification'}

Visualisieren Sie das Netz mithilfe von Deep Network Designer.

deepNetworkDesigner(efficientnetb0)

Klicken Sie auf New, um weitere vortrainierte neuronale Netzwerke in Deep Network Designer zu erkunden.

Wenn Sie ein neuronales Netz herunterladen müssen, halten Sie bei dem gewünschten neuronalen Netz an und klicken Sie auf Install, um den Add-On Explorer zu öffnen.

Ausgangsargumente

net — Vortrainiertes Convolutional Neural Network EfficientNet-b0

DAGNetwork-Objekt

Vortrainiertes Convolutional Neural Network EfficientNet-b0, zurückgegeben als DAGNetwork-Objekt.

lgraph — Architektur des untrainierten Convolutional Neural Networks EfficientNet-b0

LayerGraph-Objekt

Architektur des untrainierten Convolutional Neural Networks EfficientNet-b0, zurückgegeben als LayerGraph-Objekt.

Referenzen

[1] ImageNet. http://www.image-net.org.

[2] Tan, Mingxing, and Quoc V. Le. “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks.” Preprint, submitted in 2019. https://doi.org/10.48550/ARXIV.1905.11946.

Erweiterte Fähigkeiten

C/C++ Codegenerierung

Generieren Sie C und C++ Code mit MATLAB® Coder™.

Für die Codegenerierung können Sie das Netz laden, indem Sie die Syntax net = efficientnetb0 verwenden oder die efficientnetb0-Funktion an coder.loadDeepLearningNetwork (MATLAB Coder) übergeben. Beispiel: net = coder.loadDeepLearningNetwork('efficientnetb0')

Weitere Informationen finden Sie unter Load Pretrained Networks for Code Generation (MATLAB Coder).

Die Syntax efficientnetb0('Weights','none') wird von der Codegenerierung nicht unterstützt.

GPU-Codegenerierung

Generieren von CUDA® Code für NVIDIA® Grafikprozessoren mit dem GPU Coder™.

Verwendungshinweise und Einschränkungen:

• Für die Codegenerierung können Sie das Netz laden, indem Sie die Syntax net = efficientnetb0 verwenden oder die efficientnetb0-Funktion an coder.loadDeepLearningNetwork (GPU Coder) übergeben. Beispiel: net = coder.loadDeepLearningNetwork('efficientnetb0')

  Weitere Informationen finden Sie unter Load Pretrained Networks for Code Generation (GPU Coder).

• Die Syntax efficientnetb0('Weights','none') wird von der GPU-Codegenerierung nicht unterstützt.

Versionsverlauf

Eingeführt in R2020b

R2024a: Nicht empfohlen

efficientnetb0 wird nicht empfohlen. Verwenden Sie stattdessen die imagePretrainedNetwork-Funktion und geben Sie "efficientnetb0" als Modell an.

Es wird nicht geplant, die Unterstützung für die efficientnetb0-Funktion aufzugeben. Die Funktion imagePretrainedNetwork weist jedoch weitere Funktionalität auf, die Transfer-Learning-Workflows unterstützt. Sie können beispielsweise mithilfe der Option numClasses die Anzahl der Klassen in Ihren Daten angeben; die Funktion gibt ein Netz aus, das ohne Veränderungen neu trainiert werden kann.

Die Funktion imagePretrainedNetwork gibt das Netz als dlnetwork-Objekt aus, in dem die Klassennamen nicht gespeichert werden. Um die Klassennamen des vortrainierten Netzes abzurufen, verwenden Sie das zweite Ausgangsargument der Funktion imagePretrainedNetwork.

Diese Tabelle zeigt die typische Nutzung der Funktion efficientnetb0 und demonstriert, wie Sie Ihren Code aktualisieren können, um stattdessen die Funktion imagePretrainedNetwork zu verwenden.

Nicht empfohlen	Empfohlen
net = efficientnetb0;	[net,classNames] = imagePretrainedNetwork("efficientnetb0");
net = efficientnetb0(Weights="none");	net = imagePretrainedNetwork("efficientnetb0",Weights="none");

imagePretrainedNetwork gibt ein dlnetwork-Objekt aus, das die folgenden Vorteile aufweist:

• dlnetwork-Objekte haben einen einheitlichen Datentyp, der die Erstellung von Netzen, Vorhersagen, integriertes Training, Visualisierung, Komprimierung, Verifikation und benutzerdefinierte Trainingsschleifen unterstützt.

• dlnetwork-Objekte unterstützen eine breitere Palette von Netzwerkarchitekturen, die Sie erstellen oder von externen Plattformen importieren können.

• Die Funktion trainnet unterstützt dlnetwork-Objekte, so dass Sie Verlustfunktionen einfach angeben können. Sie können aus integrierten Verlustfunktionen wählen oder eine benutzerdefinierte Verlustfunktion angeben.

• Training und Vorhersage mit dlnetwork-Objekten ist in der Regel schneller als LayerGraph- und trainNetwork-Workflows.

Um ein als dlnetwork-Objekt festgelegtes neuronales Netz zu trainieren, verwenden Sie die Funktion trainnet.

Siehe auch

imagePretrainedNetwork | dlnetwork | trainingOptions | trainnet | Deep Network Designer

Themen

• Vorbereiten des Netzes auf Transfer Learning mithilfe von Deep Network Designer
• Deep Learning in MATLAB
• Pretrained Deep Neural Networks
• Klassifizieren von Bildern mit GoogLeNet
• Retrain Neural Network to Classify New Images
• Train Residual Network for Image Classification