Документация

Чтобы соединиться с веб-камерой и получить предварительно обученную нейронную сеть, запустите эти команды.

camera = webcam; % Connect to the camera
net = alexnet;   % Load the neural network

Если необходимо установить веб-камеру и дополнения Alexnet, сообщение появляется со ссылкой, чтобы помочь вам загрузить свободные дополнения с помощью Add-On Explorer. В качестве альтернативы см. Модель Deep Learning Toolbox для Сети AlexNet и Пакет Поддержки MATLAB для Веб-камер USB для инструкций по установке.

После того, как вы установите Модель Deep Learning Toolbox™ для сети AlexNet, можно использовать его, чтобы классифицировать изображения. AlexNet является предварительно обученной сверточной нейронной сетью (CNN), которая была обучена больше чем на миллионе изображений и может классифицировать изображения в 1 000 категорий объектов (например, клавиатура, мышь, и так далее).

Запустите следующие три строки кода, чтобы настроить интерфейс на требуемую плату, создать объект рабочего процесса и развернуть сеть в требуемую плату.

hT = dlhdl.Target('Xilinx');
hW = dlhdl.Workflow('Network',net,'Bitstream','zcu102_single','Target',hT);
hW.deploy;

Запустите следующий код, чтобы показать и классифицировать живые изображения. Укажите веб-камеру на объект. Нейронная сеть сообщает, какой класс объекта она думает, что веб-камера показывает, классифицируя изображения, пока вы не нажимаете Ctrl +C. Код изменяет размер изображения для сети при помощи imresize (Image Processing Toolbox).

while true
    im = snapshot(camera);       % Take a picture
    image(im);                   % Show the picture
    im = imresize(im,[227 227]); % Resize the picture for alexnet
    [prediction, speed] = hW.predict(single(im),'Profile','on');
    [val, idx] = max(prediction);
    label = net.Layers(end).ClassNames{idx}; % classify the image
    title(char(label));          % Show the class label
    drawnow
   end

В этом примере сеть правильно классифицирует кофейную кружку. Экспериментируйте с объектами в своей среде, насколько точный сеть.

Для следующих шагов смотрите Глубокое обучение на Решении для FPGA и Рабочих процессах.