darknet53

Даркнет 53 сверточных нейронных сети

Описание

Даркнет 53 является сверточной нейронной сетью, которая является 53 слоями глубоко. Можно загрузить предварительно обученную версию сети, обученной больше чем на миллионе изображений от базы данных ImageNet [1]. Предварительно обученная сеть может классифицировать изображения в 1 000 категорий объектов, таких как клавиатура, мышь, карандаш и многие животные. В результате сеть изучила богатые представления функции для широкого спектра изображений. Сеть имеет входной размер изображений 256 256. Для большего количества предварительно обученных сетей в MATLAB® смотрите Предварительно обученные Глубокие нейронные сети.

Можно использовать classify классифицировать новые изображения с помощью даркнета 53 модели. Выполните шаги, Классифицируют Изображение Используя GoogLeNet и заменяют GoogLeNet на даркнет 53.

Чтобы переобучить сеть на новой задаче классификации, выполните шаги, Обучают Нейронную сеть для глубокого обучения Классифицировать Новые Изображения и даркнет загрузки 53 вместо GoogLeNet.

Даркнет 53 часто используется в качестве основы для проблем обнаружения объектов и рабочих процессов YOLO [2]. Для примера того, как обучить вы только смотрите однажды (YOLO) v2 детектор объектов, смотрите, что Обнаружение объектов Использует глубокое обучение YOLO v2. Этот пример использует ResNet-50 в извлечении признаков. Можно также использовать другие предварительно обученные сети, такие как даркнет 19, даркнет 53, MobileNet-v2 или ResNet-18 в зависимости от требований к приложению.

пример

net = darknet53 возвращает даркнет 53 сети, обученные на наборе данных ImageNet.

Эта функция требует Модели Deep Learning Toolbox™ для даркнета 53 пакета Сетевой поддержки. Если этот пакет поддержки не установлен, то функция обеспечивает ссылку на загрузку.

net = darknet53('Weights','imagenet') возвращает даркнет 53 сети, обученные на наборе данных ImageNet. Этот синтаксис эквивалентен net = darknet53.

lgraph = darknet53('Weights','none') возвращает нетренированный даркнет 53 сетевых архитектуры. Нетренированная модель не требует пакета поддержки.

Примеры

свернуть все

Загрузите и установите Модель Deep Learning Toolbox для даркнета 53 пакета Сетевой поддержки.

Введите darknet53 в командной строке.

darknet53

Если Модель Deep Learning Toolbox для даркнета, 53 пакета Сетевой поддержки не установлены, то функция обеспечивает ссылку на необходимый пакет поддержки в Add-On Explorer. Чтобы установить пакет поддержки, щелкните по ссылке, и затем нажмите Install. Проверяйте, что установка успешна путем ввода darknet53 в командной строке. Если необходимый пакет поддержки установлен, то функция возвращает DAGNetwork объект.

darknet53
ans = 

  DAGNetwork with properties:

         Layers: [184×1 nnet.cnn.layer.Layer]
    Connections: [206×2 table]
     InputNames: {'input'}
    OutputNames: {'output'}

Можно использовать передачу обучения, чтобы переобучить сеть, чтобы классифицировать новый набор изображений.

Откройтесь пример Обучают Нейронную сеть для глубокого обучения Классифицировать Новые Изображения. Исходный пример использует предварительно обученную сеть GoogLeNet. Чтобы использовать обучение с переносом с помощью различной сети, загрузите желаемую предварительно обученную сеть и выполните шаги в примере.

Загрузите даркнет 53 сети вместо GoogLeNet.

net = darknet53

Выполните остающиеся шаги в примере, чтобы переобучить вашу сеть. Необходимо заменить последний learnable слой и слой классификации в сети с новыми слоями для обучения. Пример показывает вам, как найти который слои заменить.

Выходные аргументы

свернуть все

Предварительно обученный даркнет 53 сверточных нейронных сети, возвращенные как DAGNetwork объект.

Нетренированный даркнет 53 архитектуры сверточной нейронной сети, возвращенные как LayerGraph объект.

Ссылки

[1] ImageNet. http://www.image-net.org

[2] Redmon, Джозеф. “Даркнет: нейронные сети с открытым исходным кодом в C.” https://pjreddie.com/darknet.

Расширенные возможности

Введенный в R2020a

Для просмотра документации необходимо авторизоваться на сайте