这个例子展示了如何在Simulink®中使用万博1manbetx图像分类器
块。该示例使用经过训练的深度卷积神经网络GoogLeNet进行分类。
google网络已经训练了超过100万张图像,并可以将图像分类为1000个对象类别(如键盘、咖啡杯、铅笔和许多动物)。网络已经学会了各种各样的图像的丰富特征表示。该网络以一幅图像作为输入,然后输出图像中对象的标签,以及每种对象类别的概率。
网= googlenet;inputSize = net.Layers (1) .InputSize;一会= net.Layers .ClassNames(结束);numClasses =元素个数(类名);disp(类名(randperm (numClasses 10)))
{“快艇”}{“窗口”}{“等足类”}{“木勺”}{“唇膏”}{“鸭子”}{“鬣狗”}{“哑铃”}{“草莓”}{“奶油苹果”}
阅读并展示您想要分类的图像。
我= imread (“peppers.png”);图imshow(我)
要将这些数据导入Simulink模型,需要指定一个包含输入万博1manbetx图像数据和空时间矢量的结构变量。
思敏。时间= [];simin.signals.values =我;simin.signals.dimensions =大小(I);
给出了图万博1manbetx像分类的Simulink模型。模型使用从工作空间
块来加载输入的图像图像分类器
从对输入进行分类的“深度神经网络”库中提取数据块,并且显示
块来显示预测输出。
模型=“googlenet_classifier”;open_system(模型);
要验证Simulink模型,请运万博1manbetx行仿真。
set_param(模型,“SimulationMode”,“正常”);sim(模型);
该网站将这张图片归类为“灯笼椒”。
以直方图的形式显示前5个预测标签及其相关概率。由于该网络将图像划分为如此多的对象类别,而且许多类别是相似的,因此在评估网络时,通常会考虑前五名的准确性。该网络将该图像归类为极有可能的甜椒。
成绩= yout.signals (1) . values (:,: 1);标签= yout.signals (2) . values (:,: 1);[~, idx] =排序(分数,“下”);idx = idx (5: 1:1);scoresTop =分数(idx);labelsTop =分裂(字符串(标签(idx)),“_”);labelsTop = labelsTop (:: 1);图imshow(I)标题(labelsTop(5) +”、“+ num2str (100 * scoresTop (5) +“%”));figure barh(scoresTop) xlim([0 1]) title(“5大预言”)包含(“概率”) yticklabels (labelsTop)