Документация

Чтобы подключиться к веб-камере и получить предварительно обученную нейронную сеть, запустите эти команды.

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

Если вам нужно установить веб-камеру и дополнения Alexnet, появляется сообщение со ссылкой, которая поможет вам скачать бесплатные дополнения с помощью Add-On Explorer. Кроме того, для получения инструкций по установке см. Deep Learning Toolbox Model for AlexNet Network и MATLAB Support Package for USB Webcams.

После установки Deep Learning Toolbox™ Model для сети AlexNet можно использовать ее для классификации изображений. AlexNet является предварительно обученной сверточной нейронной сетью (CNN), которая была обучена на более чем миллионе изображений и может классифицировать изображения в 1000 категорий объектов (для примера, клавиатуры, мыши и так далее).

Запустите следующие три строки кода, чтобы настроить интерфейс на целевой плате, создать объект рабочего процесса и развернуть сеть на целевой плате.

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. Наведите веб-камеру на объект. Нейронная сеть сообщает, какой класс объекта она думает, что веб-камера показывает, классифицируя изображения до тех пор, пока вы не нажмете Ctrl + C. Код изменяет размер изображения для сети с помощью 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 кружку кофе. Экспериментируйте с объектами в вашем окружении, чтобы увидеть, насколько точна сеть.

Для следующих шагов смотрите Глубокое Обучение о Решении FPGA и Рабочих процессах.