Image Classifier

Clasificar datos con una red neuronal de deep learning entrenada

Desde R2020b

• 

×

Bibliotecas:
Deep Learning Toolbox / Deep Neural Networks

Descripción

El bloque Image Classifier predice las etiquetas de clase de los datos de la entrada utilizando la red entrenada especificada mediante el parámetro de bloque. Este bloque permite cargar una red preentrenada en el modelo de Simulink^® desde un archivo MAT o una función de MATLAB^®.

Ejemplos

Clasificar imágenes en Simulink con GoogLeNet

En este ejemplo se muestra cómo clasificar una imagen en Simulink® usando el bloque Image Classifier. En este ejemplo se usa la red neuronal convolucional profunda preentrenada GoogLeNet para llevar a cabo una clasificación.

Abrir script

Classify ECG Signals in Simulink Using Deep Learning

Use wavelet transforms and a deep learning network within a Simulink (R) model to classify ECG signals. This example uses the pretrained convolutional neural network from the Classify Time Series Using Wavelet Analysis and Deep Learning example of the Wavelet Toolbox™ to classify ECG signals based on images from the CWT of the time series data. For information on training, see Classify Time Series Using Wavelet Analysis and Deep Learning (Wavelet Toolbox).

Abrir script

Limitaciones

• El bloque Image Classifier no es compatible con las redes de secuencia ni con las redes de múltiples entradas y múltiples salidas (MIMO).

• El bloque Image Classifier no es compatible con el registro de archivos MAT.

Puertos

Entrada

image — Datos de imagen o características

Arreglo numérico

Un arreglo numérico de h por w por c por N, en el que h, w y c son la altura, la anchura y el número de canales de las imágenes, respectivamente, y N es el número de imágenes.

Un arreglo numérico de N por numFeatures, en el que N es el número de observaciones y numFeatures es el número de características de los datos de entrada.

Si el arreglo contiene valores NaN, estos se propagan a lo largo de la red.

Salida

ypred — Etiquetas de clase predichas

enumerado

Etiquetas de clase predichas con la puntuación más alta, devueltas como un vector enumerado de etiquetas de N por 1 en el que N es el número de observaciones.

scores — Puntuaciones de clase predichas

matriz

Puntuaciones predichas, devueltas como una matriz de K por N, en la que K es el número de clases y N es el número de observaciones.

labels — Etiquetas de clase de las puntuaciones predichas

matriz

Etiquetas asociadas a las puntuaciones predichas, devueltas como una matriz de N por K, en la que N es el número de observaciones y K es el número de clases.

Parámetros

Network — Origen de la red entrenada

Network from MAT-file (predeterminado) | Network from MATLAB function

Especifique el origen de la red entrenada. Seleccione una de las siguientes opciones:

• Network from MAT-file: importar una red entrenada desde un archivo MAT que contenga un objeto dlnetwork.

• Network from MATLAB function: importar una red preentrenada desde una función de MATLAB. Por ejemplo, para usar una red GoogLeNet preentrenada, cree una función pretrainedGoogLeNet en un archivo M de MATLAB y, a continuación, importe esta función.

  function net = pretrainedGoogLeNet
    net = imagePretrainedNetwork("googlenet");
  end

Uso programático

Parámetro de bloque: Network

Tipo: vector de caracteres, cadena

Valores: 'Network from MAT-file' | 'Network from MATLAB function'

Valor predeterminado: 'Network from MAT-file'

File path — El archivo MAT que contiene la red entrenada

untitled.mat (predeterminado) | Nombre o ruta del archivo MAT

Este parámetro especifica el nombre del archivo MAT que contiene la red de deep learning entrenada que desea cargar. Si el archivo no está en la ruta de MATLAB, utilice el botón Browse para localizar el archivo.

Dependencias

Para habilitar este parámetro, establezca el parámetro Network en Network from MAT-file.

Uso programático

Parámetro de bloque: NetworkFilePath

Tipo: vector de caracteres, cadena

Valores: Nombre o ruta del archivo MAT

Valor predeterminado: 'untitled.mat'

MATLAB function — Nombre de la función de MATLAB

squeezenet (predeterminado) | Nombre de la función de MATLAB

Este parámetro especifica el nombre de la función de MATLAB para la red de deep learning preentrenada. Por ejemplo, para usar una red GoogLeNet preentrenada, cree una función pretrainedGoogLeNet en un archivo M de MATLAB y, a continuación, importe esta función.

function net = pretrainedGoogLeNet
  net = imagePretrainedNetwork("googlenet");
end

Dependencias

Para habilitar este parámetro, establezca el parámetro Network en Network from MATLAB function.

Uso programático

Parámetro de bloque: NetworkFunction

Tipo: vector de caracteres, cadena

Valores: Nombre de la función de MATLAB

Valor predeterminado: 'squeezenet'

Mini-batch size — Tamaño de los minilotes

128 (predeterminado) | entero positivo

Tamaño de los minilotes utilizados durante la predicción, especificado como un entero positivo. Un tamaño de minilote mayor requiere más memoria, pero puede proporcionar predicciones más rápidas.

Uso programático

Parámetro de bloque: MiniBatchSize

Tipo: vector de caracteres, cadena

Valores: entero positivo

Valor predeterminado: '128'

Resize input — Cambiar el tamaño de las dimensiones de entrada

on (predeterminado) | off

Cambie el tamaño de los datos del puerto de entrada de forma que coincida con el tamaño de entrada de la red.

Uso programático

Parámetro de bloque: ResizeInput

Tipo: vector de caracteres, cadena

Valores: 'off' | 'on'

Valor predeterminado: 'on'

Classification — Devolver la etiqueta predicha con la puntuación más alta como salida

on (predeterminado) | off

Habilite el puerto de salida ypred, que devuelve la etiqueta con la puntuación más alta como salida.

Uso programático

Parámetro de bloque: Classification

Tipo: vector de caracteres, cadena

Valores: 'off' | 'on'

Valor predeterminado: 'on'

Predictions — Devolver todas las puntuaciones y las etiquetas asociadas como salida

off (predeterminado) | on

Habilite los puertos de salida scores y labels, que devuelven todas las puntuaciones predichas y las etiquetas de clase asociadas como salida.

Uso programático

Parámetro de bloque: Predictions

Tipo: vector de caracteres, cadena

Valores: 'off' | 'on'

Valor predeterminado: 'off'

Variable del área de trabajo de los nombres de clase — Variable del área de trabajo que contiene los nombres de clase de la salida de red

classNames (predeterminado) | variable de vector categórico | variable de arreglo de cadena | nombre de variable de arreglo de celdas de vectores de caracteres

Variable que contiene los nombres de las clases, especificada como un vector categórico, un arreglo de cadenas o un arreglo de celdas de vectores de caracteres.

El tamaño de salida de la red debe coincidir con el número de clases.

Dependencias

Para habilitar este parámetro, establezca Network en Network from MAT-file e importe un objeto dlnetwork entrenado desde un archivo MAT.

Uso programático

Parámetro de bloque: classNames

Tipo: nombre de variable de un vector categórico, un arreglo de cadenas o un arreglo de celdas de vectores de caracteres.

Valores: Nombre de una variable que contiene los nombres de las clases, especificado como un vector categórico, un arreglo de cadenas o un arreglo de celdas de vectores de caracteres.

Valor predeterminado: la variable del área de trabajo classNames.

Sugerencias

• Puede acelerar sus simulaciones con la generación de código aprovechando la biblioteca MKL-DNN Intel^®. Para obtener más detalles, consulte Acceleration for Simulink Deep Learning Models.

Capacidades ampliadas

Generación de código C/C++

Genere código C y C++ mediante Simulink® Coder™.

Notas y limitaciones de uso:

• Para generar código C genérico que no dependa de bibliotecas de terceros, vaya a Configuration Parameters, seleccione la categoría general Code Generation y establezca el parámetro Language en C.

• Para generar código C++, vaya a Configuration Parameters, seleccione la categoría general Code Generation y establezca el parámetro Language en C++. Para especificar la biblioteca para la generación de código, vaya a Code Generation, seleccione la categoría general Interface y establezca el parámetro Target Library. Establezca este parámetro en None para generar código C++ genérico que no dependa de bibliotecas de terceros.

• Para objetivos basados en ERT, debe habilitar el parámetro Support: variable-size signals. Para ello, vaya a Code Generation > panel Interface.

• Para ver la lista de redes y capas compatibles con la generación de código, consulte Networks and Layers Supported for Code Generation (MATLAB Coder).

Generación de código de GPU

Genere código CUDA® para GPU NVIDIA® mediante GPU Coder™.

Notas y limitaciones de uso:

• Debe establecer el parámetro Language que aparece en Configuration Parameters > categoría general Code Generation en C++.

• Para ver la lista de las redes y las capas compatibles con la generación de código CUDA^®, consulte Supported Networks, Layers, and Classes (GPU Coder).

• Para obtener más información sobre la generación de código para los modelos de Simulink que contienen el bloque Image Classifier, consulte Code Generation for a Deep Learning Simulink Model to Classify ECG Signals (GPU Coder).

Historial de versiones

Introducido en R2020b

R2024a: No se recomienda el uso de SeriesNetwork ni de DAGNetwork

A partir de la versión R2024a, los objetos SeriesNetwork y DAGNetwork no están recomendados. Esta recomendación significa que las entradas SeriesNetwork y DAGNetwork al bloque Image Classifier no están recomendadas. En su lugar, use los objetos dlnetwork. Los objetos dlnetwork tienen estas ventajas:

• Los objetos dlnetwork son un tipo de datos unificado que admite la creación de redes, la predicción, el entrenamiento integrado, la visualización, la compresión, la verificación y los bucles de entrenamiento personalizados.

• Los objetos dlnetwork admiten una gama más amplia de arquitecturas de red que puede crear o importar desde plataformas externas.

• La función trainnet admite objetos dlnetwork, lo que le permite especificar fácilmente funciones de pérdida. Puede seleccionar entre funciones de pérdida integradas o especificar una función de pérdida personalizada.

• Entrenar y predecir con los objetos dlnetwork suele ser más rápido que los flujos de trabajo LayerGraph y trainNetwork.

Los modelos de bloques de Simulink con objetos dlnetwork se comportan de forma diferente. Las puntuaciones predichas se devuelven como una matriz de K por N, en la que K es el número de clases y N es el número de observaciones. Si tiene un modelo de bloques de Simulink ya existente con un objeto SeriesNetwork o DAGNetwork, siga estos pasos para usar un objeto dlnetwork en su lugar:

1. Convierta el objeto SeriesNetwork o DAGNetwork en un objeto dlnetwork mediante la función dag2dlnetwork.

2. Defina una variable de área de trabajo que contenga los nombres de clase de la salida de red correspondiente al parámetro de bloque Class names workspace variable.

3. Transponga las puntuaciones predichas con un bloque de transposición a un arreglo de N por K, donde N es el número de observaciones y K es el número de clases.

Consulte también

Predict