深度学习计算机视觉
语义分割,对象检测和图像识别。深学习综合计算机视觉应用提供深度学习精度先进的算法。MATLAB®提供设计、创建和集成深度学习模型与计算机视觉应用程序的环境。
你可以很容易地开始与专门的功能,为计算机视觉,如:
- 图片和视频标签应用
- 映像数据存储,用于处理用于培训、测试和验证的大量数据
- 图像和计算机视觉特定的预处理技术
- 能够从TensorFlow™-Keras和PyTorch导入用于图像识别的深度学习模型
探索工作流
MATLAB有工具来为深度学习的计算机视觉构建定制的工作流。
数据准备
访问
快速、轻松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建立一个精确的模型。数据增强允许工程师增加样本的数量和样本的变化到一个训练算法。通过使用图像数据增强技术在您的训练图像中添加旋转和缩放方差来创建更多的训练图像,以实现健壮的分类。
标签和预处理
图像和视频标记,其中包括像素标记和感兴趣的对象区域,可以节省无数个小时的手工标记。在训练网络之前,使用图像处理工具对图像进行裁剪、去模糊、加亮和增强。
了解更多
网络设计,培训和评估
交互式设计网络,使用英伟达加速培训®图形处理器,并获得了良好的效果更快。
设计
使用ONNX™导入预训练的模型,然后使用深度网络设计器应用程序添加、删除或重新排列层。
培训
无论您使用的是一个GPU、多个GPU、云或NVIDIA DGX, MATLAB都支持使用一行代码进行多GPU培训。万博1manbetx
评价
了解你的网络在任何时候的表现。
- 培训前:使用network analyzer分析网络层,确保层输入/输出兼容性。
- 在训练过程中:当网络训练并随时停止训练时,可视化验证精度图。
了解更多
部署
部署深学习模型的任何地方 - 自动生成代码在ARM原生运行®和英特尔®MKL-DNN。导入您的深度学习模型并生成CUDA®代码,针对TensorRT和CuDNN库。
了解更多
深度学习为计算机视觉的例子
MATLAB为特定的深度学习应用提供了工具,例如:
语义分割
语义分割是每个像素标记为一类的行为。这是自动驾驶和医疗用图像处理的关键技术。
对象检测
对象检测使用分类技术,如YOLO v2和更快RCNN识别场景中的对象。
图像和视频分类
标识采用了最新的研究模型图像和视频的对象和转移学习技术。
三维数据
MATLAB做处理与疏与密的3D技术,3D数据成为可能。应用包括激光雷达分类和医学图像的三维堆叠。