Загрузить предварительно обученную сеть

Загрузите предварительно подготовленную сеть GoogLeNet. Для выполнения этого шага требуется модель Deep Learning Toolbox™ для пакета поддержки сети GoogLeNet. Если необходимые пакеты поддержки не установлены, программа предоставляет ссылку для загрузки.

Можно также загрузить другую предварительно подготовленную сеть для классификации изображений. Чтобы попробовать другую предварительно подготовленную сеть, откройте этот пример в MATLAB ® и выберите другую сеть. Например, можно попробоватьsqueezenet, сеть, которая даже быстрее, чем googlenet. Этот пример можно выполнить с другими предварительно подготовленными сетями. Список всех доступных сетей см. в разделе Загрузка предварительно обученных сетей.

net = googlenet;

Изображение, которое требуется классифицировать, должно иметь тот же размер, что и входной размер сети. Для GoogLeNet - первый элемент Layers свойство сети - уровень ввода изображения. Размер сетевого входа - InputSize свойство слоя ввода изображения.

inputSize = net.Layers(1).InputSize

inputSize = 1×3

   224   224     3

Последний элемент Layers свойство является выходным уровнем классификации. ClassNames свойство этого уровня содержит имена классов, полученных сетью. Просмотрите 10 случайных имен классов из общего числа 1000.

classNames = net.Layers(end).ClassNames;
numClasses = numel(classNames);
disp(classNames(randperm(numClasses,10)))

    'papillon'
    'eggnog'
    'jackfruit'
    'castle'
    'sleeping bag'
    'redshank'
    'Band Aid'
    'wok'
    'seat belt'
    'orange'

Чтение и изменение размера изображения

Прочтите и покажите изображение, которое требуется классифицировать.

I = imread('peppers.png');
figure
imshow(I)

Отображение размера изображения. Изображение имеет размер 384 на 512 пикселей и имеет три цветовых канала (RGB).

size(I)

ans = 1×3

   384   512     3

Изменение размера изображения до входного размера сети с помощью imresize. Это изменение размера немного изменяет пропорции изображения.

I = imresize(I,inputSize(1:2));
figure
imshow(I)

В зависимости от приложения может потребоваться изменить размер изображения. Например, можно обрезать верхний левый угол изображения с помощью I(1:inputSize(1),1:inputSize(2),:). Если у вас есть Toolbox™ обработки изображений, то вы можете использовать imcrop функция.

Классифицировать изображение

Классифицировать изображение и вычислять вероятности классов с помощью classify. Сеть правильно классифицирует изображение как колокольный перец. Сеть для классификации обучается выводить одну метку для каждого входного изображения, даже если изображение содержит несколько объектов.

[label,scores] = classify(net,I);
label

label = categorical
     bell pepper 

Отображение изображения с предсказанной меткой и предсказанной вероятностью того, что изображение будет иметь эту метку.

figure
imshow(I)
title(string(label) + ", " + num2str(100*scores(classNames == label),3) + "%");

Отображение основных прогнозов

Отображение пяти лучших прогнозируемых меток и связанных с ними вероятностей в виде гистограммы. Поскольку в сети изображения классифицируются по множеству категорий объектов, а многие категории схожи, при оценке сетей обычно учитывается пять основных показателей точности. Сеть классифицирует изображение как колокольный перец с высокой вероятностью.

[~,idx] = sort(scores,'descend');
idx = idx(5:-1:1);
classNamesTop = net.Layers(end).ClassNames(idx);
scoresTop = scores(idx);

figure
barh(scoresTop)
xlim([0 1])
title('Top 5 Predictions')
xlabel('Probability')
yticklabels(classNamesTop)