딥러닝

영상 인식 코드 따라하기

데이터를 불러와서 전처리하고, 신경망을 가져오고, 전이 학습을 수행하고, 영상으로 신경망의 딥러닝을 테스트하는 방법을 알아볼 수 있습니다.

준비 절차:

  1. 코드를 다운로드합니다
  2. MATLAB에서 엽니다

액세스할 수 없나요? 지금 무료 평가판을 받아 보세요.

예상 소요 시간:
15~30분
선행 과정:
기초 MATLAB 사용 역량

보충교육이 필요한가요? 대화형 방식의 무료 튜토리얼을 수강해 보세요.

1단계

데이터 불러오기 및 전처리

영상이 있는 딥러닝 프로젝트의 데이터를 가져오고, 관리하고, 저장합니다.

 

학습 내용: 훈련을 위해 데이터를 가져오고 준비하기

  • 데이터를 영상 데이터저장소로서 불러옵니다.
  • imageDatastore 함수는 자동으로 영상에 폴더 이름에 기반한 레이블을 지정합니다.
  • 데이터 전처리는 원시 데이터를 신경망이 받아들일 수 있는 형식으로 준비하기 위한 딥러닝 워크플로에서 일반적인 첫 단계입니다.

2단계

신경망 가져오기

가져온 신경망과 영상 데이터가 높은 정확도의 모델을 생성하기에 알맞은 크기인지 확인합니다. 

 

학습 내용: 재훈련에 앞서 모델 예측에 신경망 사용하기

  • TensorFlow-Keras, TensorFlow 2, Caffe 및 ONNX(Open Neural Network Exchange) 모델 형식으로부터 신경망과 신경망 아키텍처를 가져옵니다.
  • 훈련된 Deep Learning Toolbox 신경망을 ONNX 모델 형식으로 내보냅니다.

3단계

전이 학습

특정 작업 수행을 위해 딥러닝을 사용자 지정할 수 있도록, 보유 중인 데이터로 작업할 수 있게 기존 신경망을 수정합니다.

 

학습 내용: 새 작업을 위해 모델 준비하기

  • 사전 훈련된 신경망의 학습된 특징을 새 문제로 전이합니다.
  • 전이 학습은 새 신경망을 훈련하는 것보다 빠르고 간편합니다.
  • 훈련 시간과 데이터셋의 크기를 줄입니다.
  • 완전히 새로운 신경망을 만드는 방법을 배울 필요 없이 딥러닝을 수행합니다.

4단계

신경망 테스트

모델이 훈련 중에 학습한 데이터뿐만 아니라 새 데이터에서도 잘 작동하는지 검증합니다.

 

학습 내용: 검증 세트의 모든 영상을 테스트하고 신경망이 잘 훈련되었는지 평가하기

  • 검증 데이터를 분류하고 분류 정확도를 계산합니다.
  • 사전 훈련된 신경망을 다른 작업에 사용해 봅니다.
  • 전이 학습 또는 특징 추출을 통해 영상 데이터에 대한 새로운 분류 문제를 풀어 봅니다.