darknet19
DarkNet-19 сверточную нейронную сеть
Описание
DarkNet-19 - сверточная нейронная сеть, которая имеет глубину 19 слоев. Предварительно обученную версию сети можно загрузить более чем на миллион изображений из базы данных ImageNet [1]. Предварительно обученная сеть может классифицировать изображения в 1000 категорий объектов, таких как клавиатура, мышь, карандаш и многие животные. В результате сеть узнала представления богатых функций для широкой области значений изображений. Сеть имеет размер входа изображения 256 256. Для более предварительно обученных сетей в MATLAB®, см. «Предварительно обученные глубокие нейронные сети».
Вы можете использовать classify классифицировать новые изображения с помощью модели DarkNet-19. Следуйте шагам классификации изображений с помощью GoogLeNet и замените GoogLeNet на DarkNet-19.
Чтобы переобучить сеть по новой задаче классификации, следуйте шагам Traind Нейронной Сети для Глубокого Обучения для классификации новых изображений и загрузки DarkNet-19 вместо GoogLeNet.
DarkNet-19 часто используется в качестве основы для задач обнаружения объектов и рабочих процессов YOLO [2]. Пример того, как обучить детектор объектов (YOLO) v2, см. в разделе Обнаружение объектов с использованием глубокого обучения YOLO v2. Этот пример использует ResNet-50 для редукции данных. Можно также использовать другие предварительно обученные сети, такие как DarkNet-19, DarkNet-53, MobileNet-v2 или ResNet-18 в зависимости от требований приложения.
net = darknet19
Эта функция требует пакета Deep Learning Toolbox™ Model for DarkNet-19 Network поддержки. Если этот пакет поддержки не установлен, то функция предоставляет ссылку на загрузку.
net = darknet19('Weights','imagenet')net = darknet19.
layers = darknet19('Weights','none')
Примеры
Загрузка DarkNet-19 поддержка пакета
Загрузите и установите модель Deep Learning Toolbox для DarkNet-19 Network поддержки.
Тип darknet19 в командной строке.
darknet19
Если модель Deep Learning Toolbox для DarkNet-19 Network не установлена, то функция предоставляет ссылку на необходимый пакет поддержки в Add-On Explorer. Чтобы установить пакет поддержки, щелкните ссылку и нажмите кнопку Install. Проверьте успешность установки путем ввода darknet19 в командной строке. Если установлен необходимый пакет поддержки, то функция возвращает SeriesNetwork объект.
darknet19
ans =
SeriesNetwork with properties:
Layers: [64×1 nnet.cnn.layer.Layer]
InputNames: {'input'}
OutputNames: {'output'}Визуализация сети с помощью Deep Network Designer.
deepNetworkDesigner(darknet19)
Исследуйте другие предварительно обученные сети в Deep Network Designer, нажав New.
Если необходимо загрузить сеть, нажмите кнопку Install, чтобы открыть Add-On Explorer.
Передача обучения с DarkNet-19
Можно использовать передача обучения для переобучения сети для классификации нового набора изображений.
Откройте пример Обучите нейронную сеть для глубокого обучения для классификации новых изображений. В исходном примере используется предварительно обученная сеть GoogLeNet. Чтобы выполнить передачу обучения с помощью другой сети, загрузите необходимую предварительно обученную сеть и следуйте шагам в примере.
Загрузите DarkNet-19 сеть вместо GoogLeNet.
net = darknet19
Следуйте оставшимся шагам в примере, чтобы переобучить сеть. Необходимо заменить последний обучаемый слой и слой классификации в сети новыми слоями для обучения. В примере показано, как найти слои, которые нужно заменить.
Выходные аргументы
Ссылки
[1] ImageNet. http://www.image-net.org
[2] Редмон, Джозеф. Darknet: нейронные сети с открытым исходным кодом в С. "https://pjreddie.com/darknet.
Расширенные возможности
См. также
darknet53 | Deep Network Designer | densenet201 | googlenet | inceptionresnetv2 | layerGraph | nasnetlarge | nasnetmobile | plot | resnet101 | resnet50 | SeriesNetwork | squeezenet | trainNetwork | vgg16 | vgg19
Темы
- Перенесите обучение с помощью Deep Network Designer
- Глубокое обучение в MATLAB
- Предварительно обученные глубокие нейронные сети
- Классификация изображений с помощью GoogLeNet
- Обучите нейронную сеть для глубокого обучения для классификации новых изображений
- Обучите остаточную сеть для классификации изображений