Image Classifier

Klassifizierung von Daten mithilfe eines trainierten neuronalen Deep-Learning-Netzes

Seit R2020b

• 

×

Bibliotheken:
Deep Learning Toolbox / Deep Neural Networks

Beschreibung

Der Image Classifier-Block sagt die Klassenbezeichnungen für die Daten am Eingang voraus, indem er das über den Blockparameter angegebene trainierte Netz verwendet. Dieser Block ermöglicht das Laden eines vortrainierten Netzes in das Simulink^®-Modell aus einer MAT-Datei oder aus einer MATLAB^®-Funktion.

Beispiele

Classify Images in Simulink Using GoogLeNet

Classify an image in Simulink® using the Image Classifier block. The example uses the pretrained deep convolutional neural network GoogLeNet to perform the classification.

Script öffnen

Classify ECG Signals in Simulink Using Deep Learning

Use wavelet transforms and a deep learning network within a Simulink (R) model to classify ECG signals. This example uses the pretrained convolutional neural network from the Classify Time Series Using Wavelet Analysis and Deep Learning example of the Wavelet Toolbox™ to classify ECG signals based on images from the CWT of the time series data. For information on training, see Classify Time Series Using Wavelet Analysis and Deep Learning (Wavelet Toolbox).

Script öffnen

Einschränkungen

• Der Image Classifier-Block unterstützt keine Sequenznetze und Netze mit mehreren Eingängen und mehreren Ausgängen (MIMO).

• Der Image Classifier-Block unterstützt keine MAT-Dateiprotokollierung.

Ports

Eingang

image — Bild- oder Merkmalsdaten

numerisches Array

Ein h-mal-w-mal-c-mal-N numerisches Array, wobei h, w und c die Höhe, die Breite bzw. die Anzahl der Kanäle der Bilder sind, und N die Anzahl der Bilder ist.

Ein N-mal-numFeatures numerisches Array, wobei N die Anzahl der Beobachtungen und numFeatures die Anzahl der Merkmale der Eingangsdaten ist.

Falls das Array NaN enthält, werden diese durch das Netz propagiert.

Ausgang

ypred — Vorausgesagte Klassenbezeichnungen

aufgezählt

Vorausgesagte Klassenbezeichnungen mit der höchsten Punktzahl, zurückgegeben als ein N-mal-1 Aufzählungsvektor von Bezeichnungen, wobei N die Anzahl der Beobachtungen ist.

scores — Voraussichtliche Klassenpunktzahlen

Matrix

Vorausgesagte Punktzahlen, zurückgegeben als K-mal-N-Matrix, wobei K die Anzahl der Klassen ist, und N die Anzahl der Beobachtungen ist.

labels — Klassenbezeichnungen für vorhergesagte Punktzahlen

Matrix

Mit den vorausgesagten Punktzahlen verbundene Bezeichnungen, zurückgegeben als N-mal-K-Matrix, wobei N die Anzahl der Beobachtungen ist, und K die Anzahl der Klassen ist.

Parameter

Network — Quelle für trainiertes Netz

Network from MAT-file (Standardeinstellung) | Network from MATLAB function

Geben Sie die Quelle für das trainierte Netz an. Wählen Sie eine der folgenden Möglichkeiten:

• Network from MAT-file– Importieren eines trainierten Netzes aus einer MAT-Datei, die ein dlnetwork-Objekt enthält.

• Network from MATLAB function– Importieren eines vortrainierten Netzes aus einer MATLAB-Funktion. Um zum Beispiel ein vortrainiertes GoogLeNet zu verwenden, erstellen Sie eine Funktion pretrainedGoogLeNet in einer MATLAB-M-Datei und importieren Sie diese Funktion dann.

  function net = pretrainedGoogLeNet
    net = imagePretrainedNetwork("googlenet");
  end

Programmatische Nutzung

Blockparameter: Network

Typ: Zeichenvektor, Zeichenfolge

Werte: 'Network from MAT-file' | 'Network from MATLAB function'

Standard: 'Network from MAT-file'

File path — MAT-Datei mit trainiertem Netz

untitled.mat (Standardeinstellung) | MAT-Dateipfad oder -name

Dieser Parameter gibt den Namen der MAT-Datei an, die das zu ladende trainierte Deep-Learning-Netz enthält. Wenn sich die Datei nicht im MATLAB-Pfad befindet, verwenden Sie die Schaltfläche Browse, um die Datei zu finden.

Abhängigkeiten

Um diesen Parameter zu aktivieren, setzen Sie den Network-Parameter auf Network from MAT-file.

Programmatische Nutzung

Blockparameter: NetworkFilePath

Typ: Zeichenvektor, Zeichenfolge

Werte: MAT-Dateipfad oder -name

Standard: 'untitled.mat'

MATLAB function — Name der MATLAB-Funktion

squeezenet (Standardeinstellung) | Name der MATLAB-Funktion

Dieser Parameter gibt den Namen der MATLAB-Funktion für das vortrainierte Deep-Learning-Netz an. Um zum Beispiel ein vortrainiertes GoogLeNet zu verwenden, erstellen Sie eine Funktion pretrainedGoogLeNet in einer MATLAB-M-Datei und importieren Sie diese Funktion dann.

function net = pretrainedGoogLeNet
  net = imagePretrainedNetwork("googlenet");
end

Abhängigkeiten

Um diesen Parameter zu aktivieren, setzen Sie den Network-Parameter auf Network from MATLAB function.

Programmatische Nutzung

Blockparameter: NetworkFunction

Typ: Zeichenvektor, Zeichenfolge

Werte: Name der MATLAB-Funktion

Standard: 'squeezenet'

Mini-batch size — Größe der Mini-Batches

128 (Standardeinstellung) | positive Ganzzahl

Größe der für die Vorhersage zu verwendenden Mini-Batches, angegeben als positive Ganzzahl. Größere Mini-Batches erfordern mehr Speicherplatz, können aber zu schnelleren Vorhersagen führen.

Programmatische Nutzung

Blockparameter: MiniBatchSize

Typ: Zeichenvektor, Zeichenfolge

Werte: positive Ganzzahl

Standard: '128'

Resize input — Größe der Eingangsdimensionen ändern

on (Standardeinstellung) | off

Die Größe der Daten am Eingangsport wird an die Eingangsgröße des Netzes angepasst.

Programmatische Nutzung

Blockparameter: ResizeInput

Typ: Zeichenvektor, Zeichenfolge

Werte: 'off' | 'on'

Standard: 'on'

Classification — Ausgabe des vorhergesagten Bezeichnung mit der höchsten Punktzahl

on (Standardeinstellung) | off

Aktivieren des Ausgangsports ypred, der die Bezeichnung mit der höchsten Punktzahl ausgibt.

Programmatische Nutzung

Blockparameter: Classification

Typ: Zeichenvektor, Zeichenfolge

Werte: 'off' | 'on'

Standard: 'on'

Predictions — Ausgabe aller Punktzahlen und zugehörigen Bezeichnungen

off (Standardeinstellung) | on

Aktivieren der Ausgangsports scores und labels, die alle vorhergesagten Punktzahlen und die dazugehörigen Klassenbezeichnungen ausgeben.

Programmatische Nutzung

Blockparameter: Predictions

Typ: Zeichenvektor, Zeichenfolge

Werte: 'off' | 'on'

Standard: 'off'

Class names workspace variable — Workspace-Variable, die die Klassennamen der Netzwerkausgabe enthält

classNames (Standardeinstellung) | kategorische Vektorvariable | Zeichenfolgen-Array-Variable | Zellen-Array von Zeichenvektoren Variablenname

Variable, die Klassennamen enthält, die als kategorischer Vektor, als Zeichenfolgen-Array oder als Zellen-Array von Zeichenvektoren angegeben werden.

Die Ausgangsgröße des Netzes muss der Anzahl der Klassen entsprechen.

Abhängigkeiten

Um diesen Parameter zu aktivieren, setzen Sie den Network-Parameter auf Network from MAT-file, um ein trainiertes dlnetwork-Objekt aus einer MAT-Datei zu importieren.

Programmatische Nutzung

Blockparameter: classNames

Typ: Variablenname eines kategorischen Vektors, eines Zeichenfolgen-Arrays oder eines Zellen-Arrays von Zeichenvektoren.

Werte: Name einer Variablen, die Klassennamen enthält, angegeben als kategorischer Vektor, als Zeichenfolgen-Array oder als Zellen-Array von Zeichenvektoren.

Standard: Die Workspace-Variable classNames.

Tipps

• Sie können Ihre Simulationen mit Codegenerierung beschleunigen, indem Sie die Vorteile der Intel^® MKL-DNN-Bibliothek nutzen. Weitere Einzelheiten finden Sie unter Acceleration for Simulink Deep Learning Models.

Erweiterte Fähigkeiten

C/C++ Codegenerierung

Generieren von C und C++ Code mit Simulink® Coder™.

Verwendungshinweise und Einschränkungen:

• Um generischen C Code zu erzeugen, der nicht von Bibliotheken von Drittanbietern abhängt, setzen Sie in der allgemeinen Kategorie Configuration Parameters > Code Generation den Language-Parameter auf C.

• Um C++ Code zu erzeugen, setzen Sie in der allgemeinen Kategorie Configuration Parameters > Code Generation den Language-Parameter auf C++. Um die Zielbibliothek für die Codegenerierung festzulegen, stellen Sie in der Kategorie Code Generation > Interface den Parameter Target Library ein. Wird dieser Parameter auf None gesetzt, wird generischer C++ Code erzeugt, der nicht von Bibliotheken von Drittanbietern abhängig ist.

• Für ERT-basierte Ziele muss der Parameter Support: variable-size signals im Fensterbereich Code Generation> Interface aktiviert sein.

• Eine Liste der Netze und Schichten, die für die Codegenerierung unterstützt werden, finden Sie unter Networks and Layers Supported for Code Generation (MATLAB Coder).

GPU-Codegenerierung

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

Verwendungshinweise und Einschränkungen:

• Der Language-Parameter in der allgemeinen Kategorie Configuration Parameters > Code Generation muss auf C++ gesetzt sein.

• Eine Liste der Netze und Schichten, die für CUDA^®-Codegenerierung unterstützt werden, finden Sie unter Supported Networks, Layers, and Classes (GPU Coder).

• Um mehr über die Generierung von Code für Simulink-Modelle zu erfahren, die den Image Classifier-Block enthalten, finden Sie unter Code Generation for a Deep Learning Simulink Model to Classify ECG Signals (GPU Coder).

Versionsverlauf

Eingeführt in R2020b

R2024a: SeriesNetwork und DAGNetwork werden nicht empfohlen

Ab R2024a werden die Objekte SeriesNetwork und DAGNetwork nicht mehr empfohlen. Diese Empfehlung bedeutet, dass SeriesNetwork- und DAGNetwork-Eingänge zum Image Classifier-Block nicht empfohlen werden. Verwenden Sie stattdessen die dlnetwork-Objekte. dlnetwork-Objekte haben folgende Vorteile:

• dlnetwork-Objekte haben einen einheitlichen Datentyp, der die Erstellung von Netzwerken, 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.

Simulink-Blockmodelle mit dlnetwork-Objekten verhalten sich unterschiedlich. Die vorhergesagten Werte werden als K-mal-N-Matrix zurückgegeben, wobei K die Anzahl der Klassen und N die Anzahl der Beobachtungen ist. Wenn Sie ein bestehendes Simulink-Blockmodell mit einem SeriesNetwork- oder DAGNetwork-Objekt haben, führen Sie die folgenden Schritte aus, um stattdessen ein dlnetwork-Objekt zu verwenden:

1. Konvertieren Sie das SeriesNetwork- oder DAGNetwork-Objekt in ein dlnetwork mithilfe der Funktion dag2dlnetwork.

2. Definieren Sie eine Workspace-Variable, die die Klassennamen des Netzausgangs enthält, die dem Blockparameter Class names workspace variable entsprechen.

3. Transponieren Sie die vorhergesagten Werte mithilfe eines Transpositionsblocks in ein N-mal-K-Array, wobei N die Anzahl der Beobachtungen, und K die Anzahl der Klassen ist.

Siehe auch

Predict