コンピュータビジョン向けディープラーニング

セマンティックセグメンテーション、物体検出、および画像認識など、ディープラーニングと統合されたコンピュータビジョンのアプリケーションは、ディープラーニングの精度を備えた高度なアルゴリズムを提供します。MATLAB^® は、ディープラーニングのモデルを設計、作成し、コンピュータビジョンのアプリケーションと統合する環境を提供します。

次のようなコンピュータビジョンのための特別な機能を、簡単に使い始めることができます。

画像およびビデオのラベル付けアプリ
学習、テスト、および検証のための大量のデータを扱う画像データストア
画像とコンピュータビジョンに特化した前処理
画像認識のため、TensorFlow™-KerasとPyTorchからディープラーニングモデルをインポートする機能

MATLABによるコンピュータビジョン向けディープラーニング

データの準備

アクセス

ImageDatastore により、迅速かつ簡単に大量のデータにアクセス、そして管理できます。

合成

ディープラーニングでは、正確なモデルを構築するために、多様で包括的なデータを用いることが重要です。データ拡張によって、エンジニアは学習のためのサンプル数とサンプルのバリエーションを増やすことができます。ロバストな分類のため、画像データ拡張の手法を使用して、学習画像を様々に回転、拡大・縮小することで、より多くの学習画像を作成します。

ラベル付けと前処理

ピクセル毎のラベル付けや対象とする物体領域の設定などを含む、画像とビデオのラベル付けによって、手作業でのラベル付けにかかる膨大な時間を節約できます。ネットワークの学習前に、画像処理ツールを使用して、画像の切り取り、ブレ除去、明るさ調整、画像強調を行います。

ネットワーク設計、学習、および評価

対話的なネットワークの設計、NVIDIA^® GPU を使用した学習速度の向上によって、素早く良い結果を得ましょう。

設計

ONNX™ を使用して学習済みモデルをインポートした後に、ディープネットワークデザイナーアプリを用いてレイヤーを追加、削除、および再調整します。

学習

単一のGPU、複数のGPU、クラウド、またはNVIDIA DGXのいずれの環境であっても、MATLAB は 1 行のコードでマルチGPU学習をサポートします。

評価

どの時点でもネットワークのパフォーマンスを把握します。

学習前: ネットワークアナライザーを使用してネットワークレイヤーを解析し、レイヤーの入力と出力の互換性を確認できます。
学習中: ネットワークの学習中に検証精度を可視化でき、いつでも学習を停止できます。
学習後: 制御、信号処理、およびセンサーフュージョンコンポーネントを使用して、Simulink でディープラーニングネットワークをシミュレーションし、ディープラーニングモデルがシステムレベルのパフォーマンスに与える影響を評価します。