Modelli di Deep Learning pre-addestrati

Sfrutta i vantaggi delle architetture dei modelli sviluppate dalla community di ricerca sul Deep Learning. I modelli più diffusi offrono un’architettura robusta e sono un’ottima soluzione per non dover partire da zero.

Hub per i modelli di Deep Learning di MATLAB

Download dei modelli pre-addestrati

Invece di creare un modello di Deep Learning da zero, è possibile scaricare un modello pre-addestrato, utilizzabile direttamente o personalizzabile in base alla propria attività.

Modelli MATLAB

Scopri MATLAB Deep Learning Model Hub per accedere ai modelli più recenti suddivisi per categoria e ricevere consigli sulla scelta del modello.

Carica la maggior parte dei modelli nella riga di comando. Ad esempio:

 net = darknet19;

Modelli open-source

Converti i modelli TensorFlow™, PyTorch^® e ONNX™ in reti MATLAB utilizzando una funzione di importazione. Ad esempio:

 net = importTensorFlowNetwork("EfficientNetV2L")

Utilizzo di modelli pre-addestrati

Utilizza modelli pre-addestrati per la classificazione di immagini, la visione artificiale, l’elaborazione audio, l’elaborazione LIDAR e altri workflow di Deep Learning.

Trova il giusto modello pre-addestrato e utilizzalo direttamente per la tua attività.
Esegui il transfer learning adattando un modello pre-addestrato a una nuova attività o un nuovo set di dati. Aggiornare e addestrare nuovamente un modello è più rapido e semplice che crearlo da zero.
Utilizza un modello pre-addestrato come estrattore di feature utilizzando le attivazioni dei layer come feature. Successivamente, usa queste feature per addestrare un altro modello di Machine Learning, ad esempio una macchina a vettori di supporto (SVM).
Utilizza un modello pre-addestrato come base per un altro tipo di modello. Ad esempio, utilizza una rete neurale convoluzionale (CNN) come punto di partenza per creare un modello di rilevamento oggetti o di segmentazione semantica.

Classificazione di immagini

Per le attività di classificazione di immagini, usa una rete neurale convoluzionale come NASNet-Mobile e EfficientNet. La maggior parte delle CNN viene addestrata sul database ImageNet.

Reti neurali profonde pre-addestrate

Visione artificiale

Analizza immagini e video mediante il rilevamento oggetti (YOLO), la segmentazione semantica/delle istanze (AdaptSeg/MASK R-CNN) e la classificazione di video (SlowFast).

Visione artificiale mediante Deep Learning

Elaborazione audio

Individua e classifica i suoni con YAMNet, stima il pitch con CREPE ed estrai gli embedding di feature con VGGish o OpenL3.

Modelli pre-addestrati di Audio Toolbox

LIDAR

Analizza i dati di nuvole di punti utilizzando la classificazione (PointNet), il rilevamento oggetti (PointPillars) e la segmentazione semantica (PointSeg).

Elaborazione LIDAR mediante Deep Learning

Modifica interattiva di una rete di Deep Learning per il transfer learning

Rilevamento di oggetti mediante Deep Learning con YOLO v4

Segmentazione semantica mediante Deep Learning

Suggerimenti per la selezione di modelli

Ci sono tantissimi modelli pre-addestrati tra cui scegliere e ciascuno presenta dei tradeoff:

Velocità

Per iniziare, scegli uno dei modelli più veloci, come ad esempio SqueezeNet o GoogleNet. Quindi crea iterazioni rapide e prova diverse opzioni di pre-elaborazione e addestramento.

Precisione

Una volta individuate le impostazioni corrette, prova un modello più accurato, come Inception-v3 o ResNet-50, e verifica se ottieni risultati migliori.

Dimensioni

Quando esegui la distribuzione su dispositivi edge come Raspberry Pi^® o FPGA, scegli un modello con un footprint di memoria ridotto, come SqueezeNet o MobileNet-v2.

Generazione di codice per le reti di Deep Learning

Prodotti

Scopri i prodotti utilizzati con i modelli di Deep Learning.

30 giorni di prova gratuita

Per iniziare

MATLAB per il Deep Learning

Per saperne di più