Deep Learning

Modelos de Deep Learning previamente entrenados

Aproveche las arquitecturas de modelos desarrolladas por la comunidad de investigadores de Deep Learning. Con modelos de uso frecuente y arquitectura robusta, no necesitará comenzar de cero.

Uso de modelos previamente entrenados

En lugar de crear un modelo de Deep Learning desde cero, utilice un modelo previamente entrenado, y aplíquelo directamente o adáptelo a una tarea.

Modelos de MATLAB

Explore la página de GitHub sobre MATLAB Deep Learning para acceder a los modelos más recientes por categoría y obtener consejos sobre cómo seleccionar modelos.

Puede cargar la mayoría de los modelos en la línea de comandos. Por ejemplo:

 net = darknet19;

Modelos de código abierto

Convierta modelos de TensorFlow™, PyTorch® y ONNX™ en redes de MATLAB utilizando una función de importación. Por ejemplo:

 net = importTensorFlowNetwork("EfficientNetV2L") 

Aplicación de modelos previamente entrenados

Aplique modelos previamente entrenados a clasificación de imágenes, visión artificial, procesamiento de audio, procesamiento de LiDAR y otros flujos de trabajo de Deep Learning.

  • Busque el modelo previamente entrenado más adecuado y aplíquelo directamente a una tarea.
  • Realice transferencia del aprendizaje adaptando un modelo previamente entrenado a una tarea o un conjunto de datos nuevos. Actualizar y volver a entrenar un modelo es más rápido y fácil que crearlo desde cero.
  • Utilice un modelo previamente entrenado como extractor de características utilizando las activaciones de capas como características. Luego, utilice estas características para entrenar otro modelo de Machine Learning, como una máquina de vectores de soporte (SVM).
  • Utilice un modelo previamente entrenado como base para otro tipo de modelo. Por ejemplo, use una red neuronal convolucional como punto de partida para crear un modelo de detección de objetos o segmentación semántica.

Clasificación de imágenes

Utilice una red neuronal convolucional, como NASNet-Mobile y EfficientNet, en tareas de clasificación de imágenes. La mayoría de las redes CNN se entrenan con la base de datos ImageNet.

Visión artificial

Analice imágenes y vídeos utilizando detección de objetos (YOLO), segmentación semántica/de instancias (AdaptSeg/MASK R-CNN) y clasificación de vídeos (SlowFast).

Procesamiento de audio

Localice y clasifique sonidos con YAMNet, estime el tono con CREPE, y extraiga características integradas con VGGish u OpenL3.

LiDAR

Analice datos de nube de puntos utilizando clasificación (PointNet), detección de objetos (PointPillars) y segmentación semántica (PointSeg).

Procesamiento del lenguaje natural

Aproveche las prestaciones de lenguaje natural de modelos de lenguaje de gran tamaño (LLM). Para utilizar LLM, conecte MATLAB a la API Chat Completions de OpenAI™ o cargue un modelo predefinido (BERT).

Consejos para seleccionar modelos

Puede seleccionar entre muchos modelos previamente entrenados, cada uno con sus propios tradeoffs:

Velocidad

Para comenzar, seleccione uno de los modelos más rápidos, como SqueezeNet o GoogleNet. Luego, realice iteraciones rápidamente y pruebe distintas opciones de preprocesamiento y entrenamiento.

Precisión

Una vez que haya determinado la configuración ideal, pruebe un modelo más preciso, como Inception-v3 o ResNet-50, para ver si mejoran los resultados.

Tamaño

Cuando despliegue en dispositivos edge tales como Raspberry Pi® o FPGA, seleccione un modelo que utilice poca memoria, como SqueezeNet o MobileNet-v2.

Productos

Obtenga más información sobre los productos utilizados con modelos de Deep Learning.