Deep Learning

Vortrainierte Deep-Learning-Modelle

Profitieren Sie von Modellarchitekturen, die in der Deep-Learning-Forschungscommunity entwickelt wurden. Beliebte Modelle zeichnen sich durch eine fehlerresistente Architektur aus und machen eine komplette Neuentwicklung überflüssig.

Vortrainierte Modelle nutzen

Statt ein Deep-Learning-Modell komplett neu zu entwickeln, erhalten Sie ein vortrainiertes Modell, das Sie direkt für Ihre Aufgabe verwenden oder entsprechend anpassen können.

MATLAB-Modelle

Erkunden Sie den MATLAB Deep Learning Model Hub, um nach Kategorie auf die neuesten Modelle zuzugreifen und Tipps zur Auswahl eines Modells zu erhalten.

Laden Sie den Großteil der Modelle über die Befehlszeile. Beispielsweise:

 net = darknet19;

Open-Source-Modelle

Konvertieren Sie TensorFlow™-, PyTorch®- und ONNX™-Modelle mit einer Importfunktion in MATLAB-Netzwerke. Beispielsweise:

 net = importTensorFlowNetwork("EfficientNetV2L") 

Vortrainierte Modelle anwenden

Wenden Sie vortrainierte Modelle auf Bildklassifizierung, Computer Vision, Audioverarbeitung, LiDAR-Verarbeitung und andere Deep-Learning-Workflows an.

  • Finden Sie das passende vortrainierte Modell und wenden Sie es direkt auf Ihre Aufgabe an.
  • Passen Sie ein vortrainiertes Modell an neue Aufgaben oder Datensätze an, um Transfer Learning durchzuführen. Ein Modell zu aktualisieren und neu zu trainieren, ist schneller und einfacher als eine komplette Neuentwicklung.
  • Über die Schichtaktivierungen als Funktionen können Sie ein vortrainiertes Modell als Funktionsextraktor verwenden. Mit diesen Funktionen trainieren Sie dann ein weiteres Machine-Learning-Modell wie etwa eine Support Vector Machine (SVM).
  • Verwenden Sie ein vortrainiertes Modell als Grundlage für eine andere Art von Modell, beispielsweise ein Convolutional Neural Network (CNN) als Ausgangspunkt für ein Modell zur Objekterfassung oder zur semantischen Segmentierung.

Bildklassifizierung

Verwenden Sie zur Bildklassifizierung ein Convolutional Neural Network wie NASNet-Mobile und EfficientNet. Die Mehrzahl von CNNs wird auf der ImageNet-Datenbank trainiert.

Computer Vision

Analysieren Sie Bilder und Videos mithilfe der Objekterfassung (YOLO), semantischen/instanzbezogenen Segmentierung (AdaptSeg/MASK R-CNN) und Videoklassifizierung (SlowFast).

Audioverarbeitung

Lokalisieren und klassifizieren Sie Töne mit YAMNet, schätzen Sie Tonhöhen mit CREPE ab und extrahieren Sie Funktionsintegrationen mit VGGish oder OpenL3.

LiDAR

Analysieren Sie Punktwolkendaten mithilfe von Klassifizierung (PointNet), Objekterfassung (PointPillars) und semantischer Segmentierung (PointSeg).

Verarbeitung natürlicher Sprache

Nutzen Sie die Möglichkeiten der natürlichen Sprachverarbeitung in großen Sprachmodellen (LLMs). Für die Verwendung von LLMs verbinden Sie einfach MATLAB mit der OpenAI™ Chat Completions API oder laden Sie ein bereits bestehendes Modell (BERT).

Tipps zur Modellauswahl

Viele vortrainierte Modelle stehen zur Auswahl und jedes Modell hat im Vergleich seine Vor- und Nachteile:

Geschwindigkeit

Wählen Sie zu Anfang eines der schnelleren Modelle, wie SqueezeNet oder GoogleNet. Sie können dann zügig iterieren und verschiedene Vorverarbeitungs- und Trainingsoptionen testen.

Genauigkeit

Wenn Sie wissen, welche Einstellungen gut funktionieren, setzen Sie ein genaueres Modell ein, beispielsweise Inception-v3 oder ResNet-50, um zu sehen, ob sich Ihre Ergebnisse verbessern.

Größe

Wählen Sie bei der Bereitstellung auf Edge-Geräten wie Raspberry Pi® oder FPGAs ein Modell mit geringem Arbeitsspeicherbedarf wie SqueezeNet oder MobileNet-v2.

Produkte

Erfahren Sie mehr über die Produkte, die mit Deep-Learning-Modellen verwendet werden.