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.

пример

net = darknet19 возвращает DarkNet-19 сеть, обученную на наборе данных ImageNet.

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') возвращает DarkNet-19 сеть, обученную на наборе данных ImageNet. Этот синтаксис эквивалентен net = darknet19.

layers = darknet19('Weights','none') возвращает необученную сетевую архитектуру DarkNet-19. Необученная модель не требует пакета поддержки.

Примеры

свернуть все

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.

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

свернуть все

Предварительно обученная DarkNet-19 сверточная нейронная сеть, возвращенная как SeriesNetwork объект.

Необученная DarkNet-19 сверточной нейронной сети архитектура, возвращенная как Layer массив.

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

..
Введенный в R2020a
Для просмотра документации необходимо авторизоваться на сайте