使用 SqueezeNet 对 Simulink 中的图像进行分类
R2026b此示例说明如何使用 Classify 模块对 Simulink® 中的图像进行分类。
此示例使用预训练的 SqueezeNet 神经网络来执行分类。
预训练的 SqueezeNet 网络
SqueezeNet 已基于超过一百万个图像进行训练，可以将图像分为 1000 个对象类别（例如键盘、咖啡杯、铅笔和多种动物）。该网络已基于大量图像学习了丰富的特征表示。网络以图像作为输入，然后输出图像中对象的标签以及每个对象类别的概率。
[net,classNames] = imagePretrainedNetwork; inputSize = net.Layers(1).InputSize; numClasses = numel(classNames); disp(classNames(randperm(numClasses,10)))
"speedboat"
"window screen"
"isopod"
"wooden spoon"
"lipstick"
"drake"
"hyena"
"dumbbell"
"strawberry"
"custard apple"
读取图像并调整图像大小
读取并显示要分类的图像。
I = imread("peppers.png");
figure
imshow(I)
要将此数据导入 Simulink 模型，请指定一个包含输入图像数据和空时间向量的结构体变量。
simin.time = []; simin.signals.values = I; simin.signals.dimensions = size(I);
用于预测的 Simulink 模型
图中显示了用于对图像进行分类的 Simulink 模型。该模型使用 From Workspace 模块加载输入图像，使用 Deep Neural Networks 库中的 Classify 模块对输入进行分类，并使用 Display 模块显示预测的输出。
model = "SqueezeNetClassifier";
open_system(model);
运行仿真
要验证 Simulink 模型，请运行仿真。
set_param(model,"SimulationMode","Normal"); sim(model);
网络将图像分类为甜椒。
显示排名靠前的预测值
显示排名前五的预测标签，并以直方图形式显示它们的相关概率。由于网络将图像分类为如此多的对象类别，并且许多类别是相似的，因此在评估网络时通常会考虑准确度排名前五的几个类别。网络以高概率将图像分类为甜椒。
scores = yout.signals(1).values(:,:,1); labels = yout.signals(2).values(:,:,1); [~,idx] = sort(scores,"descend"); idx = idx(5:-1:1); scoresTop = scores(idx); labelsTop = split(string(labels(idx)),"_"); labelsTop = labelsTop(:,:,1); figure imshow(I) title(labelsTop(5) + ", " + num2str(100*scoresTop(5) + "%"));
figure barh(scoresTop) xlim([0 1]) title("Top 5 Predictions") xlabel("Probability") yticklabels(labelsTop)
