语义分割,目标检测和图像识别。与深度学习相结合的计算机视觉应用提供了具有深度学习精度的高级算法。MATLAB®为设计、创建和集成深度学习模型与计算机视觉应用程序提供了一个环境。
你可以很容易地开始计算机视觉的专门功能,如:
- 图像和视频标签应用程序
- 图像数据存储,用于处理训练、测试和验证所需的大量数据
- 图像和计算机视觉专用预处理技术
- 能够从TensorFlow™-Keras和PyTorch导入深度学习模型进行图像识别
数据准备
访问
快速、轻松地访问和管理大量数据ImageDatastore.
合成
在深度学习中,关键是要有全面的数据来构建精确的模型。数据增加允许工程师增加样本的数量和样本的变化到一个训练算法。通过使用图像数据增强技术在训练图像中添加旋转和缩放方差,创建更多的训练图像以进行鲁棒分类。
标签和预处理
图像和视频标签,包括像素标记和感兴趣的对象区域,可以节省无数小时的手工标记。在训练网络之前,使用图像处理工具对图像进行裁剪、去模糊、提亮和增强。
了解更多
网络设计、培训和评估
交互式设计网络,使用NVIDIA加速训练®gpu,更快地得到好的结果。
设计
使用ONNX™导入预先训练的模型,然后使用深度网络设计器应用程序添加,删除,或重新排列层。
培训
无论您使用的是一个GPU,多个GPU,云,还是NVIDIA DGX, MATLAB都支持用一行代码进行多GPU训练。
评价
了解您的网络在任何时间点上的运行情况。
- 培训前:使用网络分析仪对网络分层进行分析,确保分层输入输出兼容。
- 在训练过程中:在网络训练和随时停止训练时,可视化一个验证精度图。
- 训练后:在Simulink中使用控制、信号处理和传感器融合组件模拟深度学习网络,以评估深度学习模型对系统级性能的影响。
了解更多
部署
在任何地方部署深度学习模型——自动生成代码在ARM上本机运行®和英特尔®MKL-DNN。导入深度学习模型并生成CUDA®代码,针对TensorRT和CuDNN库。
了解更多
计算机视觉深度学习实例
MATLAB为特定的深度学习应用提供了工具,例如:
视觉检查和缺陷检测
自动化检查和缺陷检测对于生产系统的高通量质量控制至关重要。使用MATLAB,您可以开发基于深度学习的方法来检测和定位不同类型的异常。
语义分割
语义分割是将每个像素标记为一个类别的行为。这是自动驾驶和医学图像处理的关键技术。
对象检测
物体检测使用分类技术如YOLO v2和Faster-RCNN来识别场景中的物体。
图像和视频分类
使用最新的研究模型和迁移学习技术识别图像和视频中的对象。
三维数据
MATLAB使得稀疏和密集的三维技术处理三维数据成为可能。应用包括激光雷达分类和3D医学图像堆栈。