Matlab圖像分類(AlexNet)

 

Demo代碼以及測試數據下載：https://download.csdn.net/download/Ango_/15946085

圖像分類是神經網絡最典型的應用之一，常用的分類網絡有AlexNet、LeNet、VGGNet、GoogleNet、Inception網絡、ResNet、DenseNet等。

本文使用AlexNet對圖像清晰程度進行判斷，圖像分為清晰和模糊兩類。AlexNet原始網絡結構最終輸出類別為1000類，因此需要將第23層全連接層的輸出尺寸改為2。

     

                清晰圖像                                           模糊圖像

 

具體步驟：

1 加載訓練好的Alex網絡，alexnet第一次使用需要下載，再matlab中執行alexnet，將會給出下載的鏈接點擊即可下載。

alex = alexnet;
layers = alex.Layers;

2 修改網絡結構，類別改為兩類，第23層為最后一個全連接層，需要將輸出改為類別的個數。 

layers(23) = fullyConnectedLayer(2);
layers(25) = classificationLayer;

3 設置訓練數據，將每個類別的數據放到各自的子目錄中，matlab提供了imageDatastore函數，可以很方便的生成訓練數據集。

allImages = imageDatastore('E:\CodeProjects\MatPro\Classification\train','IncludeSubfolders', true, 'LabelSource', 'foldernames');

4 將數據集隨機划分為訓練數據和測試數據

[trainingImages, testImages] = splitEachLabel(allImages, 0.8, 'randomize');

5 定義訓練參數並訓練網絡

opts = trainingOptions('sgdm','InitialLearnRate',0.001,'MaxEpochs',20, 'MiniBatchSize', 64);
myNet = trainNetwork(trainingImages, layers,opts);

6 測試訓練結果，通過訓練數據集查看訓練的精度效果

predictedLabels = classify(myNet, testImages);
accuracy = mean(predictedLabels == testImages.Labels);

7 輸出模型為標准的ONNX格式，后續可以使用OpenCV、TensorRT等推理工具進行生產部署

exportONNXNetwork(myNet,'mynet_all2.onnx')

修改后的網絡結構：

總結：

使用Matlab可以很方便地開展神經網絡的設計和訓練，如果是一個比較簡單的需求，不想花太多時間搭建神經網絡訓練環境的同學，可以考慮使用Matlab。