Импортируйте предварительно обученную сеть ONNX
net = importONNXNetwork(modelfile)modelfile. Функция возвращает сеть net как DAGNetwork или dlnetwork объект.
importONNXNetwork требует Конвертера Deep Learning Toolbox™ для пакета поддержки Формата Модели ONNX. Если этот пакет поддержки не установлен, то importONNXNetwork обеспечивает ссылку на загрузку.
Примечание
По умолчанию, importONNXNetwork попытки сгенерировать пользовательский слой, когда программное обеспечение не может преобразовать оператор ONNX в эквивалентный встроенный MATLAB® слой. Для списка операторов, для которых программное обеспечение поддерживает преобразование, см. Операторы ONNX, Поддержанные для Преобразования на Встроенные Слои MATLAB.
importONNXNetwork сохраняет сгенерированные пользовательские слои в пакете +.modelfile
importONNXNetwork автоматически не генерирует пользовательский слой для каждого оператора ONNX, который не поддерживается для преобразования на встроенный слой MATLAB. Для получения дополнительной информации о том, как обработать неподдерживаемые слои, см. альтернативную функциональность.
net = importONNXNetwork(modelfile,Name=Value)OutputLayerType="classification" импортирует сеть как DAGNetwork объект с классификацией вывел слой, добавленный в конец первой выходной ветви импортированной сетевой архитектуры.
Загрузите и установите Конвертер Deep Learning Toolbox для пакета поддержки Формата Модели ONNX.
Введите importONNXNetwork в командной строке.
importONNXNetwork
Если Конвертер Deep Learning Toolbox для Формата Модели ONNX не установлен, то функция обеспечивает ссылку на необходимый пакет поддержки в Add-On Explorer. Чтобы установить пакет поддержки, щелкните по ссылке, и затем нажмите Install. Проверяйте, что установка успешна путем импорта сети из файла модели "simplenet.onnx" в командной строке. Если пакет поддержки установлен, то функция возвращает DAGNetwork объект.
modelfile = "simplenet.onnx";
net = importONNXNetwork(modelfile)net =
DAGNetwork with properties:
Layers: [9×1 nnet.cnn.layer.Layer]
Connections: [8×2 table]
InputNames: {'imageinput'}
OutputNames: {'ClassificationLayer_softmax1002'}
Постройте сетевую архитектуру.
plot(net)
DAGNetworkИмпортируйте предварительно обученную сеть ONNX как DAGNetwork объект и использование импортированная сеть, чтобы классифицировать изображение.
Сгенерируйте модель ONNX squeezenet нейронная сеть свертки.
squeezeNet = squeezenet;
exportONNXNetwork(squeezeNet,"squeezeNet.onnx");Задайте имена классов.
ClassNames = squeezeNet.Layers(end).Classes;
Импортируйте предварительно обученный squeezeNet.onnx модель, и задает классы. По умолчанию, importONNXNetwork импортирует сеть как DAGNetwork объект.
net = importONNXNetwork("squeezeNet.onnx",Classes=ClassNames)net =
DAGNetwork with properties:
Layers: [70×1 nnet.cnn.layer.Layer]
Connections: [77×2 table]
InputNames: {'data'}
OutputNames: {'ClassificationLayer_prob'}
Анализируйте импортированную сеть.
analyzeNetwork(net)
Считайте изображение, вы хотите классифицировать и отобразить размер изображения. Изображение является 384 512 пикселями и имеет три цветовых канала (RGB).
I = imread("peppers.png");
size(I)ans = 1×3
384 512 3
Измените размер изображения к входному размеру сети. Покажите изображение.
I = imresize(I,[227 227]); imshow(I)
Классифицируйте изображение с помощью импортированной сети.
label = classify(net,I)
label = categorical
bell pepper
dlnetworkИмпортируйте предварительно обученную сеть ONNX как dlnetwork объект и использование импортированная сеть, чтобы классифицировать изображение.
Сгенерируйте модель ONNX squeezenet нейронная сеть свертки.
squeezeNet = squeezenet;
exportONNXNetwork(squeezeNet,"squeezeNet.onnx");Задайте имена классов.
ClassNames = squeezeNet.Layers(end).Classes;
Импортируйте предварительно обученный squeezeNet.onnx модель как dlnetwork объект.
net = importONNXNetwork("squeezeNet.onnx",TargetNetwork="dlnetwork")
net =
dlnetwork with properties:
Layers: [70×1 nnet.cnn.layer.Layer]
Connections: [77×2 table]
Learnables: [52×3 table]
State: [0×3 table]
InputNames: {'data'}
OutputNames: {'probOutput'}
Initialized: 1
Считайте изображение, вы хотите классифицировать и отобразить размер изображения. Изображение является 384 512 пикселями и имеет три цветовых канала (RGB).
I = imread("peppers.png");
size(I)ans = 1×3
384 512 3
Измените размер изображения к входному размеру сети. Покажите изображение.
I = imresize(I,[227 227]); imshow(I)
Преобразуйте изображение в dlarray. Отформатируйте изображения с размерностями "SSCB" (пространственный, пространственный, канал, пакет). В этом случае пакетный размер равняется 1, и можно не использовать его ("SSC").
I_dlarray = dlarray(single(I),"SSCB");Классифицируйте демонстрационное изображение и найдите предсказанную метку.
prob = predict(net,I_dlarray); [~,label] = max(prob);
Отобразите результат классификации.
ClassNames(label)
ans = categorical
bell pepper
Импортируйте предварительно обученную сеть ONNX как DAGNetwork объект и использование импортированная сеть, чтобы классифицировать изображение. Импортированная сеть содержит операторы ONNX, которые не поддерживаются для преобразования на встроенные слои MATLAB. Программное обеспечение автоматически генерирует пользовательские слои, когда вы импортируете эти операторы.
Этот пример использует функцию помощника findCustomLayers. Чтобы просмотреть код для этой функции, смотрите Функцию Помощника.
Задайте файл модели, чтобы импортировать как shufflenet с оператором устанавливает 9 из Зоопарка Модели ONNX. shufflenet сверточная нейронная сеть, которая обучена больше чем на миллионе изображений от базы данных ImageNet. В результате сеть изучила богатые представления функции для широкого спектра изображений. Сеть может классифицировать изображения в 1 000 категорий объектов, таких как клавиатура, мышь, карандаш и многие животные.
modelfile = "shufflenet-9.onnx";Импортируйте имена классов из squeezenet, который также обучен с изображениями от базы данных ImageNet.
squeezeNet = squeezenet; ClassNames = squeezeNet.Layers(end).ClassNames;
Импортируйте shufflenet. По умолчанию, importONNXNetwork импортирует сеть как DAGNetwork объект. Если импортированная сеть содержит операторы ONNX, не поддержанные для преобразования на встроенные слои MATLAB, то importONNXNetwork может автоматически сгенерировать пользовательские слои вместо этих операторов. importONNXNetwork сохраняет каждый сгенерированный пользовательский слой в отдельный .m файл в пакете +shufflenet_9 в текущей папке. Задайте имя пакета при помощи аргумента PackageName значения имени.
net = importONNXNetwork(modelfile,... Classes=ClassNames,PackageName="shufflenet_9")
net =
DAGNetwork with properties:
Layers: [173×1 nnet.cnn.layer.Layer]
Connections: [188×2 table]
InputNames: {'gpu_0_data_0'}
OutputNames: {'ClassificationLayer_gpu_0_softmax_1'}
Найдите индексы автоматически сгенерированных пользовательских слоев при помощи функции помощника findCustomLayers, и отобразите пользовательские слои.
ind = findCustomLayers(net.Layers,'+shufflenet_9');
net.Layers(ind)ans =
16×1 Layer array with layers:
1 'Reshape_To_ReshapeLayer1004' shufflenet_9.Reshape_To_ReshapeLayer1004 shufflenet_9.Reshape_To_ReshapeLayer1004
2 'Reshape_To_ReshapeLayer1009' shufflenet_9.Reshape_To_ReshapeLayer1009 shufflenet_9.Reshape_To_ReshapeLayer1009
3 'Reshape_To_ReshapeLayer1014' shufflenet_9.Reshape_To_ReshapeLayer1014 shufflenet_9.Reshape_To_ReshapeLayer1014
4 'Reshape_To_ReshapeLayer1019' shufflenet_9.Reshape_To_ReshapeLayer1019 shufflenet_9.Reshape_To_ReshapeLayer1019
5 'Reshape_To_ReshapeLayer1024' shufflenet_9.Reshape_To_ReshapeLayer1024 shufflenet_9.Reshape_To_ReshapeLayer1024
6 'Reshape_To_ReshapeLayer1029' shufflenet_9.Reshape_To_ReshapeLayer1029 shufflenet_9.Reshape_To_ReshapeLayer1029
7 'Reshape_To_ReshapeLayer1034' shufflenet_9.Reshape_To_ReshapeLayer1034 shufflenet_9.Reshape_To_ReshapeLayer1034
8 'Reshape_To_ReshapeLayer1039' shufflenet_9.Reshape_To_ReshapeLayer1039 shufflenet_9.Reshape_To_ReshapeLayer1039
9 'Reshape_To_ReshapeLayer1044' shufflenet_9.Reshape_To_ReshapeLayer1044 shufflenet_9.Reshape_To_ReshapeLayer1044
10 'Reshape_To_ReshapeLayer1049' shufflenet_9.Reshape_To_ReshapeLayer1049 shufflenet_9.Reshape_To_ReshapeLayer1049
11 'Reshape_To_ReshapeLayer1054' shufflenet_9.Reshape_To_ReshapeLayer1054 shufflenet_9.Reshape_To_ReshapeLayer1054
12 'Reshape_To_ReshapeLayer1059' shufflenet_9.Reshape_To_ReshapeLayer1059 shufflenet_9.Reshape_To_ReshapeLayer1059
13 'Reshape_To_ReshapeLayer1064' shufflenet_9.Reshape_To_ReshapeLayer1064 shufflenet_9.Reshape_To_ReshapeLayer1064
14 'Reshape_To_ReshapeLayer1069' shufflenet_9.Reshape_To_ReshapeLayer1069 shufflenet_9.Reshape_To_ReshapeLayer1069
15 'Reshape_To_ReshapeLayer1074' shufflenet_9.Reshape_To_ReshapeLayer1074 shufflenet_9.Reshape_To_ReshapeLayer1074
16 'Reshape_To_ReshapeLayer1079' shufflenet_9.Reshape_To_ReshapeLayer1079 shufflenet_9.Reshape_To_ReshapeLayer1079
Считайте изображение, вы хотите классифицировать и отобразить размер изображения. Изображение является 792 1056 пикселями и имеет три цветовых канала (RGB).
I = imread("peacock.jpg");
size(I)ans = 1×3
792 1056 3
Измените размер изображения к входному размеру сети. Покажите изображение.
I = imresize(I,[224 224]); imshow(I)
Входные параметры к shufflenet потребуйте дальнейшей предварительной обработки (для получения дополнительной информации смотрите ShuffleNet в Зоопарке Модели ONNX). Перемасштабируйте изображение. Нормируйте изображение путем вычитания среднего значения учебных изображений и деления на стандартное отклонение учебных изображений.
I = rescale(I,0,1); meanIm = [0.485 0.456 0.406]; stdIm = [0.229 0.224 0.225]; I = (I - reshape(meanIm,[1 1 3]))./reshape(stdIm,[1 1 3]); imshow(I)
Классифицируйте изображение с помощью импортированной сети.
label = classify(net,I)
label = categorical
peacock
Функция помощника
Этот раздел предоставляет код функции помощника findCustomLayers используемый в этом примере. findCustomLayers возвращает indices из пользовательских слоев, что importONNXNetwork автоматически генерирует.
function indices = findCustomLayers(layers,PackageName) s = what(['.\' PackageName]); indices = zeros(1,length(s.m)); for i = 1:length(layers) for j = 1:length(s.m) if strcmpi(class(layers(i)),[PackageName(2:end) '.' s.m{j}(1:end-2)]) indices(j) = i; end end end end
Импортируйте сеть ONNX, которая имеет несколько выходных параметров как DAGNetwork объект.
Задайте файл модели ONNX и импортируйте предварительно обученную модель ONNX. По умолчанию, importONNXNetwork импортирует сеть как DAGNetwork объект.
modelfile = "digitsMIMO.onnx";
net = importONNXNetwork(modelfile)net =
DAGNetwork with properties:
Layers: [19×1 nnet.cnn.layer.Layer]
Connections: [19×2 table]
InputNames: {'input'}
OutputNames: {'ClassificationLayer_sm_1' 'RegressionLayer_fc_1_Flatten'}
Сеть имеет два выходных слоя: один слой классификации (ClassificationLayer_sm_1) классифицировать цифры и один слой регрессии (RegressionLayer_fc_1_Flatten) вычислить среднеквадратическую ошибку для предсказанных углов цифр. Постройте сетевую архитектуру.
plot(net)
title('digitsMIMO Network Architecture')
Чтобы сделать предсказания с помощью импортированной сети, используйте predict функция и набор ReturnCategorical опция к true.
importONNXNetwork поддержки версии ONNX можно следующим образом:
Функция поддерживает промежуточную версию 6 представления ONNX.
Функция поддерживает наборы оператора ONNX 6 - 13.
Примечание
Если вы импортируете экспортируемую сеть, слои повторно импортированной сетевой силы отличаются от исходной сети и не могут поддерживаться.
Чтобы использовать предварительно обученную сеть для предсказания или передачи обучения на новых изображениях, необходимо предварительно обработать изображения таким же образом изображения, которые использовались, чтобы обучаться, импортированная модель были предварительно обработаны. Наиболее распространенные шаги предварительной обработки изменяют размер изображений, вычитая средние значения изображений, и преобразовывая изображения от изображений BGR до RGB.
Для получения дополнительной информации о предварительной обработке изображений для обучения и предсказания, смотрите, Предварительно обрабатывают Изображения для Глубокого обучения.
Конвертер Deep Learning Toolbox для Формата Модели ONNX обеспечивает три функции, чтобы импортировать предварительно обученную сеть ONNX: importONNXNetwork, importONNXLayers, и importONNXFunction.
Если импортированная сеть содержит оператор ONNX, не поддержанный для преобразования на встроенный слой MATLAB (см. Операторы ONNX, Поддержанные для Преобразования на Встроенные Слои MATLAB), и importONNXNetwork не генерирует пользовательский слой, затем importONNXNetwork возвращает ошибку. В этом случае можно все еще использовать importONNXLayers импортировать сетевую архитектуру и веса или importONNXFunction импортировать сеть как ONNXParameters возразите и функция модели.
Для получения дополнительной информации о котором функция импорта лучше всего удовлетворяет различным сценариям, смотрите, Выбирают Function to Import ONNX Pretrained Network.
importCaffeLayers | importCaffeNetwork | importKerasLayers | importKerasNetwork | importONNXLayers | exportONNXNetwork | importONNXFunction | importTensorFlowNetwork | importTensorFlowLayers