手順 1

データの読み込みと前処理

画像を含むディープラーニング プロジェクトのデータをインポート、管理、および保存します。

 

学習内容: 学習用データのインポートおよび準備

  • 画像データストアとしてデータを読み込みます
  • 関数 imageDatastore によって、フォルダー名に基づき画像に自動でラベル付けします
  • データの前処理は、生データをネットワークが受け入れ可能な形式で準備する、ディープラーニング ワークフローにおける一般的な最初の手順です

手順 2

ネットワークのインポート

インポートされたネットワークおよび画像データが、精度の高いモデルを作成するのに適切なサイズであることを確認します。 

 

学習内容: 再学習前のモデル予測用ネットワークの使用

  • TensorFlow-Keras、TensorFlow 2、Caffe、および ONNX (Open Neural Network Exchange) モデル形式から、ネットワークやネットワーク アーキテクチャをインポートします
  • 学習済みの Deep Learning Toolbox ネットワークを ONNX モデル形式にエクスポートします

手順 3

転移学習

既存のネットワークを変更してお手持ちのデータと連携させると、ディープラーニングをカスタマイズして特定のタスクを実行することができるようになります。

 

学習内容: 新しいタスク用のモデルの準備

  • 事前学習済みネットワークの学習済みの特徴を新しい問題に転移します
  • 転移学習は新しいネットワークの学習よりも高速かつ簡単です
  • 学習時間およびデータセットサイズを削減します
  • ネットワーク全体を新しく作成する方法を学ばなくてもディープラーニングを実行できます

手順 4

ネットワークのテスト

学習したデータだけでなく、新しいデータで使用した場合のモデルの性能を検証します。

 

学習内容: 検証セット内のすべての画像のテスト、およびネットワークの学習効果の評価

  • 検証データを分類し、分類精度を計算します
  • 事前学習済みのネットワークを他のタスクで試します
  • 転移学習または特徴抽出を使用し、画像データの新たな分類問題を解きます