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.

Consejos para seleccionar un modelo

Puede elegir entre varios modelos previamente entrenados, cada uno con su respectivo tradeoff:

  • Tamaño: cuánta memoria necesita el modelo 
    La ubicación final del modelo determinará hasta qué punto debe tener en cuenta el tamaño de la red.
    Si decide realizar el despliegue en un sistema con poca memoria, elija un modelo diseñado específicamente para esta tarea. 
    Consulte modelos para el despliegue en edge
  • Precisión: rendimiento del modelo antes de volver a entrenarlo
    Normalmente, un modelo que tiene un buen rendimiento con el conjunto de datos ImageNet demuestra haber aprendido características informativas, por lo que también podría tener un buen rendimiento con tareas similares nuevas. 
    Consulte modelos de mayor precisión
  • Velocidad de predicción: rapidez de predicción del modelo con imágenes nuevas
    Aunque la velocidad de predicción puede variar en función de muchos factores, tales como el hardware y el tamaño de los lotes, también variará según la arquitectura del modelo elegido y el tamaño del modelo.
    Compare las velocidades de predicción con modelos simples para comenzar.

Explore los tradeoffs entre modelos en las siguientes secciones.

Estructura para importar cualquier modelo a MATLAB:

 >> net = nombre_de_la_red 

Por ejemplo:

 >> net = alexnet >> net = resnet50 

Si el modelo aún no se ha descargado, se proporcionará un enlace para descargar el modelo en MATLAB.

Modelos simples para comenzar

Con estos modelos, puede realizar iteraciones rápidamente y probar diferentes configuraciones, tales como pasos de preprocesamiento de datos y opciones de entrenamiento. Cuando tenga una idea de qué configuraciones funcionan bien, pruebe una red más precisa para ver si mejora sus resultados.

Explore ejemplos:

Modelos de mayor precisión

Explore modelos altamente eficaces para flujos de trabajo basados en imágenes, tales como clasificación de imágenes, detección de objetos y segmentación semántica.

Para flujos de trabajo de detección de objetos:

DarkNet-19, DarkNet-53 y ResNet-50 se utilizan a menudo como base para problemas de detección de objetos y flujos de trabajo YOLO. Vea ejemplos de detección de objetos con Yolov2 y Yolov3.

Para flujos de trabajo de segmentación semántica:

Puede utilizar cualquiera de las arquitecturas de red predefinidas como punto de partida práctico para entrenar redes de segmentación semántica. Las arquitecturas de capas para problemas de segmentación semántica de uso más frecuente son:

  • segnetLayers
  • unetLayers
  • unet3dLayers
  • DeepLab v3+

Obtenga más información sobre cómo crear una red de segmentación semántica utilizando Deeplab v3+ aquí.

Modelos para el despliegue en edge

Realice el despliegue en dispositivos de bajo consumo y baja potencia, tales como Raspberry Pi o FPGA, que requieren modelos con poco uso de memoria.

Temas relacionados:

Explore ejemplos:

Modelos de otros marcos

¿Necesita modelos de otros marcos? Utilice los importadores de ONNX, TensorFlow-Keras y Caffe para importar cualquier red a MATLAB. 

Explore ejemplos:

¿Capas no admitidas?

Vea cómo importar capas de Keras previamente entrenadas y reemplazar capas no admitidas por capas personalizadas.

Lista completa de modelos disponibles en MATLAB

Nuevos modelos y ejemplos de Deep Learning