计算机视觉的深度学习
语义分割、目标检测和图像识别。与深度学习相结合的计算机视觉应用程序提供了具有深度学习精度的高级算法。MATLAB®提供一个环境来设计、创建和集成深度学习模型与计算机视觉应用程序。
您可以很容易地开始使用计算机视觉的专门功能,如:
- 图像和视频标签应用程序
- 用于处理大量训练、测试和验证数据的图像数据存储
- 图像和计算机视觉专用预处理技术
- 能够从TensorFlow™-Keras和PyTorch导入深度学习模型用于图像识别
数据准备
访问
快速方便地访问和管理大量数据ImageDatastore.
合成
在深度学习中,关键是要有全面的数据来构建准确的模型。数据扩充允许工程师增加样本的数量和变化的样本的训练算法。通过使用图像数据增强技术向训练图像添加旋转和缩放方差,创建更多的训练图像,以实现稳健分类。
标记和预处理
图像和视频标签,包括像素标记和感兴趣的对象区域,可节省无数小时的人工标记。在训练网络之前,使用图像处理工具裁剪、去模糊、增亮和增强图像。
了解更多
网络设计、培训和评估
交互式设计网络,使用NVIDIA加速培训®GPU,并更快地获得良好的结果。
设计
使用ONNX™导入预先训练的模型,然后使用深层网络设计器应用程序添加,删除,或重新排列层。
培训
无论你使用的是一个GPU、多个GPU、云还是NVIDIA DGX, MATLAB都支持用一行代码进行多GPU训练。万博1manbetx
评价
了解您的网络在任何时间点的运行情况。
- 培训前:使用网络分析仪分析网络层,确保层输入/输出兼容性。
- 培训期间:在网络培训和随时停止培训时,可视化验证准确性图。
- 培训后:在Simulink中使用控制、信号处理和传感器融合组件模拟深度学习网络,以评估深度学习模型对系万博1manbetx统级性能的影响。
了解更多
部署
在任何地方部署深度学习模型-自动生成在ARM上本机运行的代码®和英特尔®MKL-DNN。导入您的深度学习模型并生成CUDA®代码,目标TensorRT和CuDNN库。
了解更多
计算机视觉的深度学习示例
MATLAB为特定的深度学习应用程序提供工具,如:
目视检查和缺陷检测
自动化检测和缺陷检测对于生产系统的高吞吐量质量控制至关重要。使用MATLAB,您可以开发基于深度学习的方法来检测和定位不同类型的异常。
语义分割
语义分割是将每个像素标记为一个类别的行为。这是自动驾驶和医学图像处理的关键技术。
对象检测
对象检测使用诸如YOLO v2和更快的RCNN之类的分类技术来识别场景中的对象。
图像和视频分类
使用最新的研究模型和迁移学习技术识别图像和视频中的对象。
三维数据
MATLAB使得利用稀疏和密集的3D技术处理3D数据成为可能。应用包括激光雷达分类和医学图像的3D堆栈。