Gemeinsames Programmieren von Bilderkennung

Erfahren Sie, wie Sie Daten laden und vorverarbeiten, ein Netz importieren und dann mit Bildern auf Deep Learning testen.

Mitmachen:

  1. Code herunterladen
  2. In MATLAB öffnen

Sie haben keinen Zugriff? Rufen Sie jetzt eine kostenfreie Testversion ab.

Dauer:
15 bis 30 Minuten
Voraussetzungen:
MATLAB-Grundkenntnisse

Sie brauchen eine Auffrischung? Absolvieren Sie das kostenfreie interaktive Tutorial.

Schritt 1

Daten laden und vorverarbeiten

Importieren, verwalten und speichern Sie Daten für Ihre Deep Learning-Projekte mit Bildern.

 

Was Sie gelernt haben: Daten zum Trainieren laden und aufbereiten

  • Laden Sie Daten als Bild-Datastore.
  • Mit der imageDatastore-Funktion werden die Bilder automatisch anhand der Ordnernamen gekennzeichnet.
  • Die Datenvorverarbeitung ist ein gängiger erster Schritt beim Deep Learning-Workflow, um Rohdaten in einem Format aufzubereiten, das vom Netz akzeptiert wird.

Schritt 2

Netz importieren

Stellen Sie sicher, dass das importierte Netz und die Bilddaten die richtige Größe haben, um ein hochgenaues Modell zu erstellen. 

 

Was Sie gelernt haben: Mit dem Netz vor dem Neutraining Modellvorhersagen treffen

  • Importieren Sie Netze und Netzarchitekturen aus TensorFlow-Keras, TensorFlow 2, Caffe und dem ONNX-Modellformat (Open Neural Network Exchange).
  • Exportieren Sie ein trainiertes Deep Learning Toolbox-Netz in das ONNX-Modellformat.

Schritt 3

Transfer Learning

Modifizieren Sie ein vorhandenes Netz so, dass es mit Ihren Daten arbeiten kann. Sie können dadurch das Deep Learning individuell an Ihre konkrete Aufgabe anpassen.

 

Was Sie gelernt haben: Das Modell auf eine neue Aufgabe vorbereiten

  • Übertragen Sie die erlernten Funktionen eines vortrainierten Netzes auf ein neues Problem.
  • Transfer Learning ist schneller und einfacher als das Trainieren eines neuen Netzes.
  • Reduzieren Sie Trainingsdauer und Datensatzgröße.
  • Führen Sie Deep Learning aus, ohne das Erstellen eines komplett neuen Netzes erlernen zu müssen.

Schritt 4

Netz testen

Verifizieren Sie, wie gut das Modell mit neuen, und nicht nur den beim Training erlernten Daten arbeitet.

 

Was Sie gelernt haben: Alle Bilder im Validierungssatz testen und bewerten, wie gut das Netz trainiert wurde

  • Klassifizieren Sie die Validierungsdaten und berechnen Sie die Klassifizierungsgenauigkeit.
  • Probieren Sie die Verwendung vortrainierter Netze für andere Aufgaben aus.
  • Lösen Sie Klassifizierungsprobleme bei Ihren Bilddaten mit Transfer Learning oder Merkmalsextraktion.