深層ニューラル ネットワーク用のデータの前処理
R2026bすべての深層学習ワークフローに共通する最初のステップとして、必ずネットワークで受け入れられる形式になるよう、データの前処理を行います。たとえば、イメージ入力層のサイズに一致するようにイメージ入力のサイズを変更できます。データの前処理を行って、必要な特徴を強調したり、ネットワークにバイアスを生じさせる可能性があるアーティファクトを低減することもできます。たとえば、入力データを正規化したり、入力データからノイズを削除できます。
イメージ入力の前処理は、MATLAB® および Deep Learning Toolbox™ で提供されるデータストアと関数を使用したサイズ変更などの操作によって行うことができます。その他の MATLAB ツールボックスには、深層学習データのラベル付け、処理、拡張のための関数、データストア、およびアプリが用意されています。その他の MATLAB ツールボックスの専用ツールを使用して、イメージ処理、オブジェクト検出、セマンティック セグメンテーション、信号処理、オーディオ処理、テキスト分析などの領域向けにデータを処理します。
アプリ
| イメージ ラベラー | コンピューター ビジョンの応用に使用するラベル イメージ |
| ビデオ ラベラー | Label video for computer vision applications |
| 信号ラベラー | 対象となる信号の属性、領域および点へのラベル付け |
| マルチセンサー ラベラー | Label ground truth data in images, videos, and point clouds across multi-sensor scenes (R2026b 以降) |
関数
imageDatastore | イメージ データのデータストア |
augmentedImageDatastore | バッチの変換によるイメージ データの拡張 |
imageDataAugmenter | イメージ データ拡張の構成 |
transform | データストアの変換 |
combine | 複数のデータストアのデータを統合 |
augment | 複数のイメージに対する同一のランダム変換の適用 |
minibatchqueue | 深層学習用のミニバッチの作成 |
TransformedDatastore | 基となるデータストアを変換するためのデータストア |
CombinedDatastore | 複数の基となるデータストアから読み取ったデータを結合するためのデータストア |
padsequences | Pad or truncate sequence data to same length |
トピック
深層学習データの前処理
- 深層学習用のデータセット
さまざまな深層学習タスク用のデータセットを確認。 - イメージの深層学習向け前処理
学習、予測、および分類用にイメージのサイズを変更する方法と、データ拡張、変換、および専用のデータストアを使用してイメージを前処理する方法を学びます。 - ボリュームの深層学習向け前処理 (Image Processing Toolbox)
ボリューム イメージとラベル データを読み取り、3 次元深層学習向けに前処理します。 - MATLAB による深層学習
畳み込みニューラル ネットワークを使用して分類や回帰を行う MATLAB の深層学習機能を確認します。これには、事前学習済みのネットワークと転移学習のほか、GPU、CPU、クラスター、およびクラウドでの学習が含まれます。 - 深層学習のヒントとコツ
深層学習ネットワークの精度を改善する方法を学習する。 - 領域固有の深層学習用途のためのデータの前処理
イメージ処理、オブジェクト検出、セマンティック セグメンテーション、信号およびオーディオ処理、テキスト分析など、領域に対する確定的またはランダム化されたデータ処理を実行します。
- 深層学習ワークフローのためのイメージの拡張 (Image Processing Toolbox)
- セマンティック セグメンテーションのためのピクセル ラベルの拡張 (Computer Vision Toolbox)
- オブジェクト検出のための境界ボックスの拡張 (Computer Vision Toolbox)
- 深層学習を使用した音声コマンド認識モデルの学習
- 深層学習を使用したテキスト データの分類
データストアのカスタマイズ
- 深層学習用のデータストア
深層学習アプリケーションでデータストアを使用する方法を学びます。 - メモリ外のシーケンス データを使用したネットワークの学習
この例では、データストアの変換と組み合わせによってメモリ外のシーケンス データで深層学習ネットワークに学習させる方法を説明します。 - 畳み込みニューラル ネットワークを使用したテキスト データの分類
この例では、畳み込みニューラル ネットワークを使用してテキスト データを分類する方法を説明します。 - Optimize Datastores for Deep Learning Performance
Explore methods for speeding up deep learning workflows that use datastores. - カスタム ミニバッチ データストアの開発
ネットワーク学習、予測、および分類用の学習データ セットおよびテスト データ セットを含む十分にカスタマイズされたミニバッチ データストアを作成します。 - シーケンス データのカスタム データストアを使用したネットワークの学習
この例では、カスタム データストアを使用してメモリ外のシーケンス データで深層学習ネットワークに学習させる方法を説明します。
グラウンド トゥルース学習データへのラベル付け
- グラウンド トゥルース データにラベルを付けるためのアプリの選択
グラウンド トゥルース データのラベル付けに、次のどのアプリを使用するかを決定します。イメージ ラベラー、ビデオ ラベラー、グラウンド トゥルース ラベラー、LiDAR ラベラー、信号ラベラー、または医用画像ラベラー。 - グラウンド トゥルースのラベル付け入門 (Automated Driving Toolbox)
対話的に複数の LiDAR 信号およびビデオ信号に同時にラベルを付けます。 - カスタム ラベル付け関数 (Signal Processing Toolbox)
カスタム ラベル付け関数を作成および管理します。 - オーディオ信号内の発声された単語のラベル付け (Signal Processing Toolbox)
信号ラベラーを使用して、オーディオ信号内の音声にラベル付けします。 - セマンティック セグメンテーションのピクセルのラベル付け (Computer Vision Toolbox)
セマンティック セグメンテーション ネットワークに学習させるために、ラベル付けアプリを使用して、ピクセルにラベルを付けます。
注目の例
イメージ分類用のデータストアの作成と確認
この例では、深層学習ネットワークの学習で使用するイメージ データストアの作成、読み取り、および拡張を行う方法を示します。特に、この例では、イメージ コレクションから ImageDatastore オブジェクトを作成し、データストアのプロパティを読み取って抽出し、学習中に使用するための augmentedImageDatastore を作成する方法を示します。
image-to-image 回帰用のデータストアの準備
この例では、ImageDatastore の関数 transform および combine を使用して image-to-image 回帰ネットワークの学習用のデータストアを準備する方法を説明します。
深層学習を使用したメモリ外のテキスト データの分類
この例では、変換されたデータストアを使用して深層学習ネットワークでメモリ外のテキスト データを分類する方法を説明します。
深層学習を使用したシーケンスの分類
この例では、長短期記憶 (LSTM) ネットワークを使用してシーケンス データを分類する方法を説明します。
深層学習を使用した時系列予測
この例では、長短期記憶 (LSTM) ネットワークを使用して時系列データを予測する方法を説明します。
表形式データを使用したニューラル ネットワークの学習
この例では、表形式のデータを使用してニューラル ネットワークに学習させる方法を示します。
複素数値データを使用したネットワークの学習
この例では、1 次元畳み込みニューラル ネットワークを使用して複素数値波形の周波数を予測する方法を示します。
Train Sequence Classification Network Using Data with Imbalanced Classes
Classify sequences with a 1-D convolutional neural network using class weights to modify the training to account for imbalanced classes.
