La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

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 N por K, en la que N es el número de observaciones y K es el número de clases.

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 SeriesNetwork, DAGNetwork o dlnetwork.

• Network from MATLAB function: importar una red preentrenada desde una función de MATLAB. Por ejemplo, utilizando la función googlenet.

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.

Dependencies

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, utilice la función googlenet para importar el modelo preentrenado GoogLeNet.

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'

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

Consulte también

Predict