딥러닝

사전 훈련된 딥러닝 모델

딥러닝 연구 커뮤니티에서 개발한 모델 아키텍처를 활용할 수 있습니다. 널리 사용되는 모델은 견고한 아키텍처를 제공하며 처음부터 모델을 구축할 필요가 없는 이점이 있습니다.

모델 선택 시 유용한 팁

선택 가능한 많은 사전 훈련된 모델이 있으며, 각 모델마다 장단점이 있습니다.

  • 크기: 모델에 요구되는 메모리 크기 
    모델의 최종 위치에 따라 고려해야 할 신경망 크기가 결정됩니다.
    메모리 사용량이 적은 시스템에 배포하도록 선택할 때는 이 작업에 맞게 특별히 설계된 모델을 선택할 수 있습니다. 
    에지 배포용 모델 보기
  • 정확도: 재훈련 전의 모델 성능
    일반적으로 ImageNet 데이터셋에 대해 우수한 성능을 발휘하는 모델은 유익한 특징을 학습한 모델이라 할 수 있으며, 이와 유사한 새로운 작업에서도 우수한 성능을 발휘할 수 있습니다. 
    정확도 높은 모델 살펴보기
  • 예측 속도: 새 영상에 대한 모델의 예측 속도
    예측 속도는 하드웨어 및 배치 크기와 같은 여러 요인에 따라 달라질 수 있으며, 선택된 모델의 아키텍처와 크기에 따라 달라질 수도 있습니다.
    시작을 위한 간단한 모델로 예측 속도를 비교해 볼 수 있습니다.

모델 간 장단점은 다음 섹션에서 살펴볼 수 있습니다.

MATLAB으로 모델을 가져오려면, 다음과 같은 구조를 사용할 수 있습니다.

 >> net = networkname 

 >> net = alexnet >> net = resnet50 

아직 다운로드하지 않은 모델의 경우 MATLAB에 모델을 다운로드할 수 있는 링크가 제공됩니다.

시작을 위한 간단한 모델

이들 모델에 대해 빠르게 반복하고 데이터 전처리 단계 및 훈련 옵션과 같은 다양한 설정을 시도해 볼 수 있습니다. 어떤 설정이 잘 동작하는지 어느 정도 파악했다면 더 정확한 신경망을 통해 결과가 개선되는지 확인해 볼 수 있습니다.

예제 살펴보기:

정확도 높은 모델

영상 분류, 객체 검출, 의미론적 분할과 같은 영상 기반 워크플로에 매우 효과적인 모델을 살펴볼 수 있습니다.

객체 검출 워크플로의 경우:

DarkNet-19, DarkNet-53, ResNet-50은 종종 객체 검출 문제 및 YOLO 워크플로의 토대로 사용됩니다. Yolov2Yolov3을 사용한 객체 검출 예제를 확인해 보십시오.

의미론적 분할 워크플로의 경우:

사전 정의된 신경망 아키텍처를 사용하면 의미론적 분할 신경망 훈련을 편리하게 시작할 수 있습니다. 의미론적 분할 문제에 일반적으로 사용되는 계층 아키텍처로는 다음을 들 수 있습니다.

  • segnetLayers
  • unetLayers
  • unet3dLayers
  • DeepLab v3+

Deeplab v3+를 사용한 의미론적 분할 신경망 생성에 대한 자세한 내용은 여기에서 확인해 보십시오.

에지 배포용 모델

메모리 사용량이 적은 모델을 요하는 Raspberry Pi 또는 FPGA 같은 저계산 및 저전력 기기에 배포할 수 있습니다.

관련 주제 보기:

예제 살펴보기:

기타 프레임워크의 모델

기타 프레임워크의 모델을 찾으시나요? ONNX, TensorFlow-Keras, Caffe 임포터를 사용하여 어떤 신경망이라도 MATLAB으로 가져올 수 있습니다. 

예제 살펴보기:

미지원 계층이 있습니까?

사전 훈련된 Keras 계층을 가져오고 지원되지 않는 계층을 사용자 지정 계층으로 교체하는 방법을 살펴보십시오.

MATLAB에서 사용 가능한 모델의 전체 목록

새로운 딥러닝 모델 및 예제