Main Content

このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。

resnet18

ResNet-18 畳み込みニューラル ネットワーク

ページ内をすべて折りたたむ
  • ResNet-18 network architecture

構文

net = resnet18
net = resnet18('Weights','imagenet')
lgraph = resnet18('Weights','none')

説明

ResNet-18 は、深さが 18 層の畳み込みニューラル ネットワークです。100 万個を超えるイメージで学習させた事前学習済みのネットワークを、ImageNet データベース[1]から読み込むことができます。この事前学習済みのネットワークは、イメージを 1000 個のオブジェクト カテゴリ (キーボード、マウス、鉛筆、多くの動物など) に分類できます。結果として、このネットワークは広範囲のイメージに対する豊富な特徴表現を学習しています。ネットワークのイメージ入力サイズは 224 x 224 です。MATLAB® の他の事前学習済みのネットワークについては、事前学習済みの深層ニューラル ネットワークを参照してください。

classify を使用すると、ResNet-18 モデルを使用して新しいイメージを分類できます。GoogLeNet を使用したイメージの分類の手順に従って、GoogLeNet を ResNet-18 に置き換えます。

新しい分類タスクでネットワークの再学習を行うには、新しいイメージを分類するための深層学習ネットワークの学習の手順に従い、GoogLeNet の代わりに ResNet-18 を読み込みます。

ヒント

イメージ分類タスクに適した未学習の残差ネットワークを作成するには、resnetLayers を使用します。

例

net = resnet18 は、ImageNet データセットで学習させた ResNet-18 ネットワークを返します。

この関数には、Deep Learning Toolbox™ Model for ResNet-18 Network サポート パッケージが必要です。このサポート パッケージがインストールされていない場合、関数によってダウンロード用リンクが表示されます。

net = resnet18('Weights','imagenet') は、ImageNet データセットで学習させた ResNet-18 ネットワークを返します。この構文は、net = resnet18 と等価です。

lgraph = resnet18('Weights','none') は、未学習の ResNet-18 ネットワーク アーキテクチャを返します。未学習のモデルは、サポート パッケージを必要としません。

例

すべて折りたたむ

Deep Learning Toolbox Model for ResNet-18 Network サポート パッケージをダウンロードしてインストールします。

コマンド ラインで resnet18 と入力します。

resnet18

Deep Learning Toolbox Model for ResNet-18 Network サポート パッケージがインストールされていない場合、関数によってアドオン エクスプローラーに必要なサポート パッケージへのリンクが表示されます。サポート パッケージをインストールするには、リンクをクリックして、[インストール] をクリックします。コマンド ラインで resnet18 と入力して、インストールが正常に終了していることを確認します。必要なサポート パッケージがインストールされている場合、関数によって DAGNetwork オブジェクトが返されます。

resnet18
ans = 

  DAGNetwork with properties:

         Layers: [72×1 nnet.cnn.layer.Layer]
    Connections: [79×2 table]

ディープ ネットワーク デザイナーを使用してネットワークを可視化します。 

deepNetworkDesigner(resnet18)

ディープ ネットワーク デザイナーで [新規] をクリックし、事前学習済みの他のニューラル ネットワークを探索します。

Deep Network Designer start page showing available pretrained neural networks

ニューラル ネットワークをダウンロードする必要がある場合は、目的のニューラル ネットワークで一時停止し、[インストール] をクリックしてアドオン エクスプローラーを開きます。

この例では次を使用します。

ライブ スクリプトを開く

事前学習済みの ResNet-18 モデルを読み込みます。

net = resnet18;

imread を使用してテスト イメージを読み取ります。

I = imread("peppers.png");
imshow(I)

Figure contains an axes object. The axes object contains an object of type image.

事前学習済みのモデルは、イメージ サイズがネットワークの入力サイズと同じである必要があります。ネットワークの最初の層の InputSize プロパティを使用して、ネットワークの入力サイズを求めます。

sz = net.Layers(1).InputSize
sz = 1×3

   224   224     3

イメージのサイズをネットワークの入力サイズに変更します。

I = imresize(I,sz(1:2));

classify を使用してイメージを分類します。

label = classify(net,I)
label = categorical
     bell pepper

イメージと分類結果をまとめて表示します。

imshow(I)
title(label)

Figure contains an axes object. The axes object with title bell pepper contains an object of type image.

この例では次を使用します。

ライブ スクリプトを開く

ワークスペースで、MathWorks Merch データセットを解凍します。

unzip("MerchData.zip");

ディープ ネットワーク デザイナーを開いて、利用可能な事前学習済みネットワークを確認します。

deepNetworkDesigner

[ResNet-18] を選択し、[開く] をクリックします。Deep Learning Toolbox™ Model for ResNet-18 Network がインストールされていない場合、ソフトウェアは "アドオン エクスプローラー" を開きます。

ディープ ネットワーク デザイナーにデータを読み込むには、[データ] タブで、[データのインポート]、[イメージ分類データのインポート] をクリックします。[データ ソース] リストの [フォルダー] を選択します。[参照] をクリックし、解凍した MerchData フォルダーを選択します。

データを学習データセットと検証データセットに分割します。イメージの 70% を学習に使用し、30% を検証に使用します。[ランダム化] を選択し、指定した割合でイメージを検証セットと学習セットにランダムに割り当てます。

[インポート] をクリックして、ディープ ネットワーク デザイナーにデータをインポートします。

インポートされたデータの概要がアプリによって表示されます。

新しいイメージを分類するように事前学習済みのネットワークに再学習させるには、最後の学習可能な層と最終分類層を新しいデータ セットに適応させます。

[デザイナー] タブで最後の全結合層をクリックします。[プロパティ] ペインの下部で、[層のロックを解除] をクリックします。表示される警告ダイアログで、[ロックの強制解除] をクリックします。これにより層のプロパティのロックが解除され、それらを新しいタスクに適応できるようになります。

R2023b より前: 層のプロパティを編集するには、層のロックを解除するのではなく、層を置き換えなければなりません。

OutputSize を新しいデータのクラス数 (この例では 5) に設定します。学習率を編集して、新しい層での学習速度を転移層より速くします。WeightLearnRateFactor および BiasLearnRateFactor を 10 に設定します。

分類層を選択し、[層のロックを解除] をクリックしてから、[ロックの強制解除] をクリックします。ロックが解除された出力層に対して OutputSize を設定する必要はありません。学習時に、ディープ ネットワーク デザイナーによって層の出力クラスがデータから自動的に設定されます。

学習オプションを指定します。[学習] タブを選択し、[学習オプション] をクリックします。[Solver] を sgdm、[InitialLearnRate] を 0.0001、[MiniBatchSize] を 11、[MaxEpochs] を 8、[ValidationFrequency] を 5 に設定します。

指定した学習オプションでネットワークに学習させるには、[OK] をクリックしてから [学習] をクリックします。

学習した重みを含むネットワーク アーキテクチャをエクスポートするには、[学習] タブの [エクスポート]、[学習済みネットワークと結果のエクスポート] を選択します。ディープ ネットワーク デザイナーによって、学習済みネットワークが変数 trainedNetwork_1 としてエクスポートされます。

学習済みネットワークを使用して分類する新しいイメージを読み込みます。

I = imread("MerchDataTest.jpg");

イメージ サイズは学習の間、ネットワークの入力サイズに合うようにディープ ネットワーク デザイナーにより変更されます。ネットワークの入力サイズを確認するには、[デザイナー] ペインに移動して imageInputLayer (最初の層) を選択します。このネットワークの入力サイズは 224 x 224 です。

ネットワークの入力サイズに合うようにテスト イメージをサイズ変更します。

I = imresize(I,[224 224]);

学習済みネットワークを使用してテスト イメージを分類します。

YPred = classify(trainedNetwork_1,I);
imshow(I)
title("Predicted Class: " + string(YPred));

この例では次を使用します。

ライブ スクリプトを開く

事前学習済みの ResNet-18 ニューラル ネットワークを読み込み、入力サイズを求めます。

net = resnet18;
inputSize = net.Layers(1).InputSize;

MathWorks Merch データ セットを抽出します。新しいイメージをイメージ データストアとして読み込みます。 

unzip("MerchData.zip");
imds = imageDatastore("MerchData", ...
    IncludeSubfolders=true, ...
    LabelSource="foldernames");

numClasses = numel(categories(imds.Labels));

データを学習データセットと検証データセットに分割します。"randomized" を選択し、指定した割合でイメージを検証セットと学習セットにランダムに割り当てます。

[imdsTrain,imdsValidation] = splitEachLabel(imds,0.7,"randomized");

拡張イメージ データストアを使用して、ネットワークの入力サイズに一致するように学習イメージのサイズを自動的に変更します。

augimdsTrain = augmentedImageDatastore(inputSize(1:2),imdsTrain);
augimdsValidation = augmentedImageDatastore(inputSize(1:2),imdsValidation);

事前学習済みのネットワークに再学習させて新しいイメージを分類するには、最後の全結合層と最終分類層を、新しいデータ セットに適応した新しい層に置き換えます。まず、学習済みのネットワークから層グラフを抽出します。

lgraph = layerGraph(net);

全結合層を、クラスの数と同じ数の出力をもつ新しい全結合層に置き換えます。新しい層での学習速度を転移層より速くするには、全結合層の WeightLearnRateFactor および BiasLearnRateFactor の値を大きくします。

newLearnableLayer = fullyConnectedLayer(numClasses, ...
    WeightLearnRateFactor=10, ...
    BiasLearnRateFactor=10);
    
lgraph = replaceLayer(lgraph,"fc1000",newLearnableLayer);

分類層はネットワークの出力クラスを指定します。分類層をクラス ラベルのない新しい層に置き換えます。trainNetwork は、学習時に層の出力クラスを自動的に設定します。

newClassLayer = classificationLayer;
lgraph = replaceLayer(lgraph,"ClassificationLayer_predictions",newClassLayer);

学習オプションを指定します。転移層での学習速度を下げるため、初期学習率を小さい値に設定します。

options = trainingOptions("sgdm", ...
    InitialLearnRate=0.0001, ...
    MiniBatchSize=11, ...
    MaxEpochs=8, ...
    ValidationData=augimdsValidation, ...
    ValidationFrequency=5, ...
    Verbose=false, ...
    Plots="training-progress");

ネットワークに学習をさせます。

trainedNetwork = trainNetwork(augimdsTrain,lgraph,options);

Figure Training Progress (29-Aug-2023 21:12:57) contains 2 axes objects and another object of type uigridlayout. Axes object 1 with xlabel Iteration, ylabel Loss contains 15 objects of type patch, text, line. Axes object 2 with xlabel Iteration, ylabel Accuracy (%) contains 15 objects of type patch, text, line.

学習済みネットワークを使用して分類する新しいイメージを読み込みます。

I = imread("MerchDataTest.jpg");
I = imresize(I,inputSize(1:2));

テスト イメージを分類します。

YPred = classify(trainedNetwork,I);
imshow(I)
title("Predicted class: " + string(YPred));

Figure contains an axes object. The axes object with title Predicted class: MathWorks Cube contains an object of type image.

出力引数

すべて折りたたむ

事前学習済みの ResNet-18 畳み込みニューラル ネットワーク。DAGNetwork オブジェクトとして返されます。

未学習の ResNet-18 畳み込みニューラル ネットワーク アーキテクチャ。LayerGraph オブジェクトとして返されます。

参照

[1] ImageNet. http://www.image-net.org

[2] He, Kaiming, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. "Deep residual learning for image recognition." In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 770-778. 2016.

拡張機能

バージョン履歴

R2018a で導入

参考

| | | | | | | | | | | |

トピック