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

딥러닝을 위한 MATLAB

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

Image Augmentation Techniques - 예제
Video Labeler - 예제
의미론적 분할 개요 (7:56) - 비디오
Generative Adversarial Networks (GANs) - 문서

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.
훈련 이후: 제어, 신호 처리, 센서 융합 구성요소로 Simulink에서 딥러닝 신경망을 시뮬레이션하여 딥러닝 모델이 시스템 수준의 성능에 미치는 영향을 평가할 수 있습니다.