图像识别 - 简易教程

了解如何加载和预处理数据、导入网络、迁移学习及测试网络,以便进行图像深度学习。

请提前做好以下准备

  1. 下载代码
  2. MATLAB 中打开下载的代码

没有安装 MATLAB?立即获得免费试用版

完成所需时间:
15-30 分钟
预备知识:
MATLAB 基本技能

需要复习?试用免费的交互式教程。

步骤 1

加载和预处理数据

为图像深度学习项目导入、管理和存储数据。

 

学习内容:导入和准备数据以便用于训练

  • 将数据作为图像数据存储加载
  • imageDatastore 函数根据文件夹名称自动标注图像
  • 预处理数据通常作为深度学习工作流中的第一步,旨在将原始数据处理为网络可以接受的格式

步骤 2

导入网络

确保导入的网络和图像数据的大小合适,以生成高度准确的模型。 

 

学习内容:在重新训练前使用网络进行模型预测

  • 从 TensorFlow-Keras、TensorFlow 2、Caffe 和 ONNX(开放式神经网络交换)模型格式导入网络和网络架构
  • 将经过训练的 Deep Learning Toolbox 网络导出为 ONNX 模型格式

步骤 3

迁移学习

修改现有网络以处理您的数据,以便自定义深度学习来执行您的特定任务。

 

学习内容:为新任务准备模型

  • 将预训练网络学习到的特征迁移到新问题上
  • 迁移学习比训练新网络更快、更容易
  • 减少训练时间和缩小数据集
  • 执行深度学习,而无需学习如何创建全新网络

步骤 4

测试网络

验证模型对新数据(而不仅仅是在训练中学习的数据)的处理效果。

 

学习内容:测试验证集中的所有图像,并评估网络训练的效果

  • 对验证数据进行分类,并计算分类准确度
  • 尝试将预训练网络用于其他任务
  • 通过迁移学习或特征提取解决新的图像数据分类问题