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.

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.

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