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。

Image Classifier

学習済み深層学習ニューラル ネットワークを使用したデータの分類

このページをすべて展開する
  • Image classifier block

ライブラリ:
Deep Learning Toolbox / Deep Neural Networks

説明

Image Classifier ブロックは、ブロック パラメーターで指定された学習済みネットワークを使用して、入力におけるデータのクラス ラベルを予測します。このブロックを使用すると、MAT ファイルまたは MATLAB® 関数から Simulink® モデルに事前学習済みのネットワークを読み込ませることができます。

例

GoogLeNet を使用した Simulink でのイメージの分類

GoogLeNet を使用した Simulink でのイメージの分類

この例では、Image Classifier ブロックを使用して、Simulink® でイメージを分類する方法を説明します。この例では、事前学習済みの深層畳み込みニューラル ネットワーク GoogLeNet を使用して分類を実行します。

深層学習を使用した Simulink での ECG 信号の分類

深層学習を使用した Simulink での ECG 信号の分類

この例では、Simulink (R) モデル内でウェーブレット変換と深層学習ネットワークを使用して ECG 信号を分類する方法を示します。この例では、Wavelet Toolbox™ の "ウェーブレット解析と深層学習を使用した時系列の分類" の例にある事前学習済みの畳み込みニューラル ネットワークを使用して、時系列データの CWT からのイメージを基に ECG 信号を分類します。学習の詳細については、ウェーブレット解析と深層学習を使用した時系列の分類 (Wavelet Toolbox)を参照してください。

制限

  • Image Classifier ブロックは、シーケンス ネットワークおよび多入力多出力 (MIMO) ネットワークをサポートしません。

  • Image Classifier ブロックは、MAT ファイルのログ記録をサポートしていません。

端子

入力

すべて展開する

h x w x c x N の数値配列。ここで、h、w、および c は、それぞれイメージの高さ、幅、およびチャネル数です。N はイメージの数です。

N 行 numFeatures 列の数値配列。ここで、N は観測値の数、numFeatures は入力データの特徴の数です。

配列に NaN が含まれる場合、ネットワーク全体に伝播されます。

出力

すべて展開する

スコアが最も高い予測クラス ラベル。ラベルから成る N 行 1 列の列挙型ベクトルとして返されます。ここで、N は観測値の数です。

予測スコア。K 行 N 列の行列として返されます。ここで、K はクラスの数、N は観測値の数です。

予測スコアに関連付けられたラベル。N 行 K 列の行列として返されます。ここで、N は観測値の数、K はクラスの数です。

パラメーター

すべて展開する

学習済みネットワークの変換元を指定します。次のいずれかを選択します。

  • MAT ファイルからのネットワーク— dlnetwork オブジェクトを含む MAT ファイルから学習済みネットワークをインポートします。

  • MATLAB 関数からのネットワーク— MATLAB 関数から事前学習済みのネットワークをインポートします。たとえば、事前学習済みの GoogLeNet を使用するには、MATLAB の M ファイルに関数 pretrainedGoogLeNet を作成し、この関数をインポートします。 

    function net = pretrainedGoogLeNet
  net = imagePretrainedNetwork("googlenet");
end

プログラムでの使用

ブロック パラメーター: Network
タイプ: 文字ベクトル、string
値: 'Network from MAT file' | 'Network from MATLAB function'
既定: 'Network from MAT file'

このパラメーターは、読み込もうとしている学習済み深層学習ネットワークを含む MAT ファイルの名前を指定します。ファイルが MATLAB のパス上にない場合は、[参照] ボタンを使用してファイルを探します。

依存関係

このパラメーターを有効にするには、[ネットワーク] パラメーターを [MAT ファイルからのネットワーク] に設定します。

プログラムでの使用

ブロック パラメーター: NetworkFilePath
タイプ: 文字ベクトル、string
値: MAT ファイルのパスまたは名前
既定: 'untitled.mat'

このパラメーターは、事前学習済みの深層学習ネットワークに関する MATLAB 関数の名前を指定します。たとえば、事前学習済みの GoogLeNet を使用するには、MATLAB の M ファイルに関数 pretrainedGoogLeNet を作成し、この関数をインポートします。 

function net = pretrainedGoogLeNet
  net = imagePretrainedNetwork("googlenet");
end

依存関係

このパラメーターを有効にするには、[ネットワーク] パラメーターを [MATLAB 関数からのネットワーク] に設定します。

プログラムでの使用

ブロック パラメーター: NetworkFunction
タイプ: 文字ベクトル、string
値: MATLAB 関数名
既定: 'squeezenet'

予測に使用するミニバッチのサイズ。正の整数として指定します。ミニバッチのサイズが大きくなるとより多くのメモリが必要になりますが、予測時間が短縮される可能性があります。

プログラムでの使用

ブロック パラメーター: MiniBatchSize
タイプ: 文字ベクトル、string
値: 正の整数
既定: '128'

入力端子におけるデータのサイズをネットワークの入力サイズに変更します。

プログラムでの使用

ブロック パラメーター: ResizeInput
タイプ: 文字ベクトル、string
値: 'off' | 'on'
既定: 'on'

スコアが最も高いラベルを出力する出力端子 ypred を有効にします。

プログラムでの使用

ブロック パラメーター: Classification
タイプ: 文字ベクトル、string
値: 'off' | 'on'
既定: 'on'

すべての予測スコアおよび関連するクラス ラベルを出力する出力端子 scores および labels を有効にします。

プログラムでの使用

ブロック パラメーター: Predictions
タイプ: 文字ベクトル、string
値: 'off' | 'on'
既定: 'off'

クラス名が格納された変数。categorical ベクトル、string 配列、または文字ベクトルの cell 配列として指定します。

ネットワークの出力サイズはクラスの数と一致しなければなりません。

依存関係

このパラメーターを有効にするには、[ネットワーク] パラメーターを [MAT ファイルからのネットワーク] に設定して、学習済みの dlnetwork オブジェクトを MAT ファイルからインポートします。

プログラムでの使用

ブロック パラメーター: classNames
タイプ: categorical ベクトル、string 配列、または文字ベクトルの cell 配列の変数名。
値: クラス名が格納された変数の名前。categorical ベクトル、string 配列、または文字ベクトルの cell 配列として指定します。
既定: ワークスペース変数 classNames。

ヒント

  • Intel® MKL-DNN ライブラリを活用してコードを生成することで、シミュレーションを高速化できます。詳細については、Acceleration for Simulink Deep Learning Modelsを参照してください。

拡張機能

すべて展開する

バージョン履歴

R2020b で導入

すべて展開する

参考