10 行の MATLAB コードによる深層学習の例

この例では、わずか 10 行の MATLAB^® コードを使用して、深層学習でライブ Web カメラに映ったオブジェクトを特定する方法を説明します。この例を試して、MATLAB でどれほど簡単に深層学習を始めることができるか確認してください。

次のコマンドを実行して (ダウンロードが必要な場合あり)、Web カメラに接続し、事前学習済みのニューラルネットワークを取得します。
```
camera = webcam;  % Connect to the camera
net = squeezenet; % Load the neural network
```
webcam アドオンをインストールする必要がある場合は、関数からのメッセージに表示されるリンクから、アドオンエクスプローラーを使用して無料のアドオンをダウンロードできます。または、MATLAB Support Package for USB Webcams を参照してください。
SqueezeNet は、100 万個を超えるイメージで学習している事前学習済みの畳み込みニューラルネットワーク (CNN) で、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、マグカップ、鉛筆、多くの動物など) に分類できます。
次のコードを実行し、ライブイメージを表示して分類します。Web カメラをあるオブジェクトに向けると、Web カメラに表示されているオブジェクトのクラスがニューラルネットワークによって判断されて報告されます。イメージの分類は、Ctrl+C キーを押すまで続行されます。このコードでは、imresize を使用して、このネットワーク用にイメージをリサイズしています。
```
while true
    im = snapshot(camera);       % Take a picture
    image(im);                   % Show the picture
    im = imresize(im,[227 227]); % Resize the picture for squeezenet
    label = classify(net,im);    % Classify the picture
    title(char(label));          % Show the class label
    drawnow
end
```
この例では、ネットワークはマグカップを正しく分類しています。身の回りのオブジェクトで実験して、このネットワークの精度を確認してください。

この例のビデオを見るには、Deep Learning in 11 Lines of MATLAB Code を参照してください。
この例を拡張してクラスの確率スコアを表示する方法については、深層学習を使用した Web カメライメージの分類を参照してください。
深層学習の次のステップとして、この事前学習済みのネットワークを他のタスクに使用できます。転移学習または特徴抽出を使用して、自分のイメージデータで新しい分類問題を解決してみましょう。例については、転移学習を使用した短時間での深層学習の開始と事前学習済みのネットワークから抽出された特徴を使用した分類器の学習を参照してください。他の事前学習済みのネットワークを試してみるには、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。

参考

trainNetwork | trainingOptions | squeezenet

10 行の MATLAB コードによる深層学習の例

参考

関連するトピック