Deep Learning

Vortrainierte Deep Learning-Modelle

Nutzen Sie Vorteile der von der Deep Learning-Forschungsgemeinschaft entwickelten Modellarchitekturen. Beliebte Modelle bieten eine fehlerresistente Architektur, damit Sie nicht bei Null anfangen müssen.

Tipps zur Modellauswahl

Es steht eine umfangreiche Auswahl an vortrainierten Modellen zur Verfügung, wobei bei jedem Modell Kompromisse einzugehen sind:

  • Größe: Wie viel Speicherplatz benötigt das Modell? 
    Die Größe des Netzes hängt von der endgültigen Position des Modells ab.
    Wenn Sie ein System mit wenig Speicherplatz bereitstellen möchten, wählen Sie ein speziell auf diese Anforderung abgestimmtes Modell. 
    Siehe Modelle für die Edge-Bereitstellung
  • Genauigkeit: Wie gut ist das Modell vor dem Neutraining?
    Ein Modell, das für den ImageNet-Datensatz gut abschneidet, ist normalerweise ein Indiz dafür, dass es informative Merkmale erlernt hat und auch bei neuen, ähnlichen Aufgaben gut abschneiden könnte. 
    Modelle mit höherer Genauigkeit untersuchen
  • Vorhersagegeschwindigkeit: Wie schnell kann das Modell neue Bilder vorhersagen?
    Während die Vorhersagegeschwindigkeit von vielen Faktoren abhängt, z. B. von der Hardware und der Stapelgröße, variiert auch die Geschwindigkeit je nach Architektur des gewählten Modells und der Größe des Modells.
    Vergleichen Sie zum Einstieg die Vorhersagegeschwindigkeiten mit einfachen Modellen.

Vergleichen Sie in den folgenden Abschnitten verschiedene Ansätze zwischen Modellen.

Die Struktur für den Import jedes beliebigen Modells in MATLAB lautet:

 >> net = networkname 

d.h.

 >> net = alexnet >> net = resnet50 

Wenn das Modell noch nicht heruntergeladen wurde, wird ein Link zum Herunterladen des Modells in MATLAB bereitgestellt.

Einfache Modelle für den Einstieg

Sie können diese Modelle schnell iterieren und verschiedene Einstellungen wie Datenvorverarbeitungsschritte und Trainingsoptionen ausprobieren. Sobald Sie herausgefunden haben, welche Einstellungen gut funktionieren, probieren Sie ein genaueres Netzwerk aus, um möglicherweise verbesserte Ergebnisse zu erzielen.

Beispiele ansehen

Modelle höherer Genauigkeit

Entdecken Sie effiziente Modelle für bildbasierte Arbeitsabläufe, wie z. B. Bildklassifizierung, Objekterkennung und semantische Segmentierung.

Für Arbeitsabläufe zur Objekterkennung:

DarkNet-19, DarkNet-53 und ResNet-50 werden oft als Grundlage für Objekterkennungsprobleme und YOLO-Workflows verwendet. Siehe Beispiele zur Objekterkennung mithilfe von Yolov2 und Yolov3.

Für Workflows zur semantischen Segmentierung:

Eine vordefinierte Netzwerkarchitektur bietet einen bequemen Ausgangspunkt für das Training semantischer Segmentierungsnetze. Dies sind häufig verwendete Schichtenarchitekturen für semantische Segmentierungsprobleme:

  • segnetLayers
  • unetLayers
  • unet3dLayers
  • DeepLab v3+

Weitere Informationen zur Erstellung eines semantischen Segmentierungsnetzes mit Deeplab v3+ finden Sie hier.

Modelle für die Edge-Bereitstellung

Bereitstellung auf Geräten mit geringer Rechenleistung und niedrigem Stromverbrauch wie Raspberry Pi oder FPGAs - hierzu sind Modelle mit geringem Speicherbedarf erforderlich.

Modelle aus anderen Frameworks

Suchen Sie nach Modellen aus anderen Frameworks? Verwenden Sie ONNX-, TensorFlow-Keras- und Caffe-Importer, um beliebige Netze in MATLAB zu importieren. 

Beispiele ansehen

Nicht unterstützte Schichten?

Erfahren Sie, wie Sie vortrainierte Keras-Schichten importieren und nicht unterstützte Schichten durch individuelle Schichten ersetzen können.

Vollständige Liste der in MATLAB verfügbaren Modelle

Neue Deep Learning-Modelle und -Beispiele