Deep Learning

 

Deep learning para visión artificial

Segmentación semántica, detección de objetos y reconocimiento de imágenes. Las aplicaciones de visión artificial integradas con deep learning ofrecen algoritmos avanzados con precisión de deep learning. MATLAB® proporciona un entorno para diseñar, crear e integrar modelos de deep learning con aplicaciones de visión artificial.

Es posible comenzar a usar de forma fácil las funcionalidades especializadas de visión artificial, como por ejemplo:

  • Apps de etiquetado de imágenes y vídeos
  • Datastore de imágenes para gestionar grandes cantidades de datos para el entrenamiento, las pruebas y la validación
  • Técnicas de preprocesamiento específicas para imágenes y visión artificial
  • Capacidad de importar modelos de deep learning desde TensorFlow™-Keras y PyTorch para el reconocimiento de imágenes
Deep Learning para visión artificial con MATLAB

Preparación de datos

Acceso

Acceda a grandes cantidades de datos y gestiónelos con rapidez y facilidad gracias a ImageDatastore.

Síntesis

En el deep learning, lo importante es disponer de datos exhaustivos para crear un modelo preciso. El aumento de datos permite a los ingenieros aumentar el número de muestras y variaciones de muestras para un algoritmo de entrenamiento. Cree más imágenes de entrenamiento para una clasificación rigurosa mediante la adición de variaciones de rotación y escala a las imágenes de entrenamiento mediante técnicas de aumento de datos de imágenes.

Etiquetado y preprocesamiento

El etiquetado de imágenes y vídeos, que incluye etiquetado de píxeles y regiones de interés de objetos, puede ahorrar innumerables horas de etiquetado manual. Utilice herramientas de procesamiento de imágenes para recortar, enfocar, aclarar y mejorar las imágenes antes de entrenar una red.

Más información

Diseño, entrenamiento y evaluación de redes

Diseñe redes de forma interactiva, acelere el entrenamiento mediante GPU NVIDIA® y obtenga buenos resultados con más rapidez.

Diseño

Importe modelos previamente entrenados mediante ONNX™ y, después, use la app Deep Network Designer para agregar, eliminar o reorganizar las capas.

Entrenamiento

Tanto si usa una GPU como si emplea varias GPU, la nube o NVIDIA DGX, MATLAB admite el entrenamiento mediante diversas GPU con una línea de código.

Evaluación

Conozca el rendimiento de su red en cualquier momento.

  • Antes del entrenamiento: utilice Network Analyzer para analizar las capas de red y garantizar la compatibilidad de las entradas/salidas de las capas.
  • Durante el entrenamiento: visualice un diagrama de precisión de la validación durante el entrenamiento de la red y detenga el entrenamiento en cualquier momento.
  • Después del entrenamiento: simule redes de deep learning en Simulink con componentes de control, procesamiento de señales y fusión de sensores para evaluar cómo un modelo de deep learning puede mejorar el rendimiento en el nivel de sistema
Evaluación

Más información

Implementación

Implemente modelos de deep learning en cualquier lugar: genere código automáticamente para su ejecución nativa en ARM® e Intel® MKL-DNN. Importe sus modelos de deep learning y genere código CUDA® para librerías CuDNN y TensorRT.

Nvidia

Más información

Ejemplos de deep learning para visión artificial

MATLAB proporciona herramientas para aplicaciones específicas de deep learning, tales como

Inspección visual y detección de defectos

La inspección y la detección de defectos automatizadas son fundamentales para el control de calidad de alto rendimiento en los sistemas de producción. Con MATLAB, puede desarrollar enfoques basados en deep learning para detectar y localizar diferentes tipos de anomalías.

Visual Inspection and defect detection

MATLAB proporciona herramientas para aplicaciones específicas de deep learning, tales como:

Segmentación semántica

La segmentación semántica consiste en etiquetar cada uno de los píxeles en una categoría. Se trata de una tecnología clave para la conducción automatizada y el procesamiento de imágenes médicas.

Segmentación semántica

Detección de objetos

Para la detección de objetos se emplean técnicas de clasificación como YOLO v2 y Faster-RCNN para identificar objetos en una escena.

Detección de objetos mediante Faster R-CNN.

Clasificación de imágenes y vídeos

Identifique los objetos en imágenes y vídeos mediante los modelos de investigación y las técnicas de transferencia del aprendizaje más recientes.

Clasificación de imágenes y vídeos

Datos 3D

MATLAB permite el procesamiento de datos 3D mediante técnicas 3D dispersas y densas. Entre las aplicaciones se cuentan la clasificación de lidar y las pilas 3D de imágenes médicas.

Datos 3D

Más información sobre deep learning para visión artificial

Productos de deep learning:

30 días de exploración a su alcance

Más información

¿Tiene preguntas?

Hable con un experto en deep learning.

Envíenos un mensaje de email