컴퓨터 비전을 위한 딥러닝

시맨틱 분할, 객체 검출 및 이미지 인식. 딥러닝이 통합된 컴퓨터 비전 응용 프로그램은 딥러닝의 정확도를 갖춘 고급 알고리즘이 제공됩니다. MATLAB®은 딥러닝 모델을 설계하고, 생성하고, 컴퓨터 비전 응용 프로그램과 통합할 수 있는 환경을 제공합니다.

다음과 같은 컴퓨터 비전 전용 기능을 사용하여 쉽게 시작할 수 있습니다.

  • 이미지 및 비디오 라벨링 앱
  • 학습, 테스트 및 검증을 위해 필요한 방대한 양의 데이터를 처리할 이미지 데이터저장소
  • 이미지 및 컴퓨터 비전에 특화된 전처리 기법
  • 이미지 인식을 위해 TensorFlow™-Keras 및 PyTorch에서 딥러닝 모델을 가져오는 기능

워크플로 살펴보기

MATLAB에서는 컴퓨터 비전과 딥러닝을 위한 맞춤 워크플로를 설계할 다양한 도구를 제공합니다.

데이터 준비

액세스

이미지 데이터저장소를 사용하여 다량의 데이터를 쉽고 빠르게 액세스하고 관리할 수 있습니다.

합성

딥러닝에서 정확한 모델을 설계하려면 방대한 데이터가 필요합니다. 데이터 증강을 사용하여 학습 알고리즘에 입력되는 샘플 및 샘플 변형 개수를 늘릴 수 있습니다. 이미지 데이터 증강 기법을 사용하여 학습 이미지에 회전 및 크기 변동을 추가하면 견고한 분류를 위해 더 많은 학습 이미지를 만들 수 있습니다.

라벨링 및 전처리

픽셀 라벨링 및 관심 객체 영역을 포함하는 이미지 및 비디오 라벨링을 사용하면 수동 라벨링 작업에 필요한 시간을 절약할 수 있습니다. 네트워크 학습을 진행하기 전에 이미지 처리 도구를 사용하여 이미지를 자르고, 디블러링하고, 밝기를 높이고, 보정할 수 있습니다.

자세히 보기

네트워크 설계, 학습 및 평가

대화형 방식으로 네트워크를 설계하고, NVIDIA® GPU를 사용하여 학습 속도를 높이고, 더 빠르게 양질의 결과를 얻으십시오.

설계

사전 학습된 모델을 ONNX™를 사용하여 가져온 다음 Deep Network Designer 앱을 사용하여 계층을 추가하거나, 제거하거나, 순서를 바꿀 수 있습니다.

학습

GPU를 하나만 사용하든, 여러 개의 GPU를 사용하든, 클라우드를 사용하든, 아니면 NVIDIA DGX를 사용하든, MATLAB은 코드 한 줄로 복수 GPU 학습을 지원합니다.

평가

언제든지 네트워크의 성능을 확인할 수 있습니다.

  • 학습 전: 네트워크 분석기를 사용하여 네트워크 계층을 분석하고 계층 입력/출력 호환성을 확인합니다.
  • 학습 중: 네트워크가 언제든지 학습을 진행하고 중지하는 동안 검증 정확도 플롯을 시각화합니다.

자세히 보기

배포

어디에서나 딥러닝 모델을 배포할 수 있습니다. ARM® 및 Intel® MKL-DNN에서 네이티브로 실행되는 코드를 자동으로 생성하십시오. 딥러닝 모델을 가져와서 TensorRT 및 CuDNN 라이브러리를 대상으로 하는 CUDA® 코드를 생성하십시오.

자세히 보기

컴퓨터 비전을 위한 딥러닝 예제

MATLAB은 다음과 같은 딥러닝 학습 응용 프로그램을 위한 도구를 제공합니다.

시맨틱 분할

시맨틱 분할은 각 픽셀을 특정 범주로 라벨링하는 작업입니다. 시맨틱 분할은 자율 주행과 의료 영상 처리의 핵심 기술입니다.

객체 검출

객체 검출은 YOLO v2나 Faster-RCNN과 같은 분류 기법을 사용하여 장면에 있는 객체를 식별합니다.

이미지 및 비디오 분류

최신 연구 모델과 전이 학습 기법을 사용하여 이미지와 비디오에 있는 객체를 식별합니다.

3D 데이터

MATLAB을 사용하면 희소 및 고밀도 3D 기법을 사용하여 3D 데이터를 처리할 수 있습니다. 활용 분야로는 Lidar 분류, 의료 영상의 3D 스택 등이 있습니다.

컴퓨터 비전을 위한 딥러닝에 대한 자세한 내용