사전 훈련된 딥러닝 모델

딥러닝 연구 커뮤니티에서 개발되는 모델 아키텍처를 활용할 수 있습니다. 널리 사용되는 모델은 견고한 아키텍처를 제공하며, 이를 사용하면 처음부터 새로 시작할 필요가 없습니다.

사전 훈련된 모델 받기

딥러닝 모델을 백지상태에서 새로 생성하는 대신 사전 훈련된 모델을 받아 여러분의 작업에 바로 적용하거나 그에 맞춰 조정할 수 있습니다.

최신 모델을 범주별로 살펴보고 모델 선택을 위한 팁을 얻으려면MATLAB^® Deep Learning Model Hub를 살펴볼 수 있습니다.

대부분의 모델은 명령줄에서 불러올 수 있습니다. 예:

 net = darknet19;

가져오기 함수를 사용하여 TensorFlow™, PyTorch^®, ONNX™ 모델을 MATLAB 신경망으로 변환할 수 있습니다. 예:

 net = importTensorFlowNetwork("EfficientNetV2L")

사전 훈련된 모델을 영상 분류, 컴퓨터 비전, 오디오 처리, 라이다 처리 및 기타 딥러닝 워크플로에 적용할 수 있습니다.

적합한 사전 훈련된 모델을 찾고 여러분의 작업에 바로 적용할 수 있습니다.
사전 훈련된 모델을 새로운 작업 또는 데이터셋에 맞게 조정하여 전이 학습을 수행할 수 있습니다. 모델을 업데이트하고 재훈련하는 것이 처음부터 새로 생성하는 것보다 더 빠르고 쉽습니다.
계층 활성화를 특징으로 사용함으로써 사전 훈련된 모델을 특징 추출기로 활용할 수 있습니다. 그 후에는 이러한 특징을 사용하여 SVM(서포트 벡터 머신) 같은 또 다른 머신러닝 모델을 훈련시킬 수 있습니다.
사전 훈련된 모델을 또 다른 유형의 모델을 위한 토대로 활용할 수 있습니다. 예를 들면 컨벌루션 신경망을 객체 검출 또는 의미론적 분할 모델을 만드는 시작점으로 사용할 수 있습니다.

영상 분류 작업의 경우에는 NASNet-Mobile과 EfficientNet 같은 컨벌루션 신경망을 사용할 수 있습니다. 대부분의 CNN은 ImageNet 데이터베이스를 사용해 훈련됩니다.

객체 검출(YOLO), 의미론적/인스턴스 분할(AdaptSeg/MASK R-CNN), 비디오 분류(SlowFast)를 사용하여 영상과 비디오를 분석할 수 있습니다.

YAMNet으로 소리의 위치 추정과 분류를 수행하고, CREPE로 피치를 추정하고, VGGish 또는 OpenL3로 특징 임베딩을 추출할 수 있습니다.

분류(PointNet), 객체 검출(PointPillars), 의미론적 분할(PointSeg)을 사용하여 포인트 클라우드 데이터를 분석할 수 있습니다.

다양한 사전 훈련된 모델 중에서 선택할 수 있으며, 각각의 모델은 다음과 같은 측면에서 장단점이 있습니다.

처음 시작할 때는 SqueezeNet 또는 GoogLeNet처럼 비교적 빠른 모델 중에서 선택합니다. 그 후에는 빠르게 반복하고 다른 전처리 및 훈련 옵션을 사용해 봅니다.

어떤 설정이 잘 동작하는지에 대한 이해가 쌓였다면 이제는 Inception-v3 또는 ResNet-50처럼 더 정확한 모델을 사용해 보고 결과가 개선되는지 확인합니다.

Raspberry Pi^®나 FPGA 같은 에지 기기에 배포할 때는 SqueezeNet 또는 MobileNet-v2처럼 메모리 사용량이 적은 모델을 선택합니다.

딥러닝 모델에 사용되는 제품에 대해 알아볼 수 있습니다.

30일 무료 평가판

시작하기