Matlab 深度学习

发表于 | 分类于 | | 阅读次数: | 次
字数统计: 1.7k字 | 阅读时长 ≈ 7分钟

入坑 MATLAB 进行深度学习

一：摄像头

1.1 两种获取摄像头的方式

Matlab自身不支持直接读取摄像头数据，需要安装硬件支持包才可以获取，目前常用的有两个包：

第一个是 MATLAB Support Package for USB Webcams，这个包可以获取任何USB摄像头的图像（UVC），也可以获取电脑自带摄像头的数据，兼容 R2014a 到 R2020a 的版本。

第二个是Image Acquisition Toolbox Support Package for OS Generic Video Interface，更加通用，它也兼容 R2014a 到 R2020a 的版本。（推荐）

点击获取附加功能中的获取硬件支持包（安装适合的包）：

1.2 第一种方法摄像头的使用（webcams）

1.2.1 查看当前摄像头设备列表

1
webcamlist

需要注意，使用webcam的时候，下标从1开始，1对应USB Camera，2对应Integrated Camera。

1.2.2 获取视频对象

一行代码即可获取，非常舒服，比如获取外接USB摄像头的输入对象：

1
cam1 = webcam(1)

同样可以获取电脑自带摄像头的输入对象：

1
cam1 = webcam(2)

1.2.3 预览视频对象

使用如下命令即可预览视频对象，该函数会自动打开一个窗口，播放摄像头画面：

1
preview(cam1)

1.2.4 查看摄像头支持的分辨率并修改：

1
<刚刚获取的设备对象>.AvailableResolutions

然后根据修改为需要的分辨率：

再次preview之后即可看到分辨率改变。

1.2.5 用完之后清除对象

1
clear <刚刚获取的对象>

1.2.6 拍照（抓取画面）

1
2
mypic = snapshot(cam1);
imshow(mypic);

1.3 第二种方法摄像头的使用（Image Acquisition Toolbox）

1.3.1 首先执行这条命令打开摄像头，测试是否可以调用videoinput函数：

1
video_source = videoinput('winvideo',1)

如果出现图中的错误，那么恭喜你，需要手动安装硬件支持包了。

1.3.2 查看电脑上已经安装的图像适配器

1
imaqhwinfo()

其中InstalledAdaptors的值给出了当前电脑上已经安装的摄像头适配器个数，这里我的电脑上只有一个：winvideo。

1.3.3 查看摄像头设备具体参数

使用该命令查看上一步获取到的图像适配器的具体参数：

1
win_info = imaqhwinfo('winvideo')

可以看到其中给出了该图像适配器具体的一些参数，特别需要注意的是，该函数返回了连接在当前图像适配器winvideo上的所有摄像头的设备ID和设备信息！

当前我的电脑上一共有两个摄像头，一个是笔记本电脑内置的摄像头，另一个是我连接的USB 2.0 摄像头，接下来以USB摄像头为例，说明如何查看摄像头的设备ID和具体信息：

在工作区找到保存信息的变量win_info，双击查看其值：

可以看到，两个摄像头的设备ID分别为1和2，一般来说，电脑内置的摄像头的ID为1。

同样，双击win_info.DeviceInfo变量，可以查看摄像头的具体参数：

1.3.4 创建视频输入对象

使用如下的命令来创建一个视频输入对象：

1
video_obj = videoinput(adaptorname,deviceID,format)

该函数的三个参数说明如下：

  • adaptorname：适配器名称（必须）
  • deviceID：设备ID号（必须）
  • format：视频采集格式（不填写则使用默认）
    如下，我要创建USB摄像头的视频输入对象：
1
video_obj = videoinput('winvideo',2)

1.3.5 预览视频对象

使用如下命令即可预览视频对象，该函数会自动打开一个窗口，播放摄像头画面：

1
preview(video_obj)

1.3.6 捕抓画面

1
2
mypic = getsnapshot(video_obj);
imshow(mypic);

二： 迁移学习

AlexNet已经训练了超过100万张图片，可以将图片分类为1000个对象类别(如键盘、咖啡杯、铅笔和许多动物)。该网络已经学习了大量图像的丰富特征表示。该网络以一幅图像作为输入，并输出图像中对象的标签以及每个对象类别的概率。

2.1 首先安装相应的包

Deep Learning Toobox Model for Alexnet Network

2.2 使用方法

2.3 加载数据集

需要先将数据标注好，即在一个文件夹下放多个标签名字的文件夹，里面有相应的图片。

1
2
3
4
5
6
7
%  使用数据集函数载入并标记数据
imds = imageDatastore('MerchData', ...
    'IncludeSubfolders',true, ...
    'LabelSource','foldernames');
    
% 分离训练数据和测试数据
[imdsTrain,imdsValidation] = splitEachLabel(imds,0.7,'randomized');

2.4 加载训练网络

1
2
3
net = alexnet;
%  取出网络所需的图片大小
inputSize = net.Layers(1).InputSize

其中图片的大小有限制，不同的网络不一样。Alexnet 的限制是227 227 3.

方法一（推荐）：

1
2
3
4
5
6
7
8
9
10
11
12
pixelRange = [-30 30];
imageAugmenter = imageDataAugmenter( ...
    'RandXReflection',true, ...
    'RandXTranslation',pixelRange, ...
    'RandYTranslation',pixelRange);

%  训练数据
augimdsTrain = augmentedImageDatastore(inputSize(1:2),imdsTrain, ...
    'DataAugmentation',imageAugmenter);
    
% 测试数据
augimdsValidation = augmentedImageDatastore(inputSize(1:2),imdsValidation);

方法二： 使用imresize 方法改变大小

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
% This file in order to change the photo size into the fit size

source_files = "Answer";

imds = imageDatastore(source_files, 'IncludeSubFolders', true, 'LabelSource', 'foldernames');
lens = length(imds.Labels);
% lens = 2;

% imshow(readimage(imds, 2))
for i=1:lens
    dir = char(imds.Files(i));
    img=imresize(readimage(imds, i),[227,227]);
    imwrite(img, dir);
    i
end

disp("All thing has been done successfully!")

2.5 取代最后一层

预训练的网络的最后三层被配置为1000个类。这三层必须针对新的分类问题进行微调。从预先训练好的网络中提取除后三层之外的所有层。

1
2
3
4
5
6
7
layersTransfer = net.Layers(1:end-3);
numClasses = numel(categories(imdsTrain.Labels))
layers = [
    layersTransfer
    fullyConnectedLayer(numClasses,'WeightLearnRateFactor',20,'BiasLearnRateFactor',20)
    softmaxLayer
    classificationLayer];

2.6 训练网络

1
2
3
4
5
6
7
8
9
10
11
12
options = trainingOptions('sgdm', ...
    'MiniBatchSize',10, ...
    'MaxEpochs',6, ...
    'InitialLearnRate',1e-4, ...
    'Shuffle','every-epoch', ...
    'ValidationData',augimdsValidation, ...
    'ValidationFrequency',3, ...
    'Verbose',false, ...
    'Plots','training-progress');

% 开始训练网络
netTransfer = trainNetwork(augimdsTrain,layers,options);

2.7 验证网络

1
2
3
4
5
6
[YPred,scores] = classify(net,augimdsValidation);
% YPred 含最大可能分类，  scores 含各个分类的可能概率值

% 测试网络的准确性
YValidation = imdsValidation.Labels;
accuracy = mean(YPred == YValidation)

三：计算机视觉

3.1 摄像头处理数据

1
2
3
4
5
6
7
8
9
10
11
12
13
14
vidobj = videoinput('winvideo',1); %capture the device handle


set(vidobj, 'FramesPerTrigger',1); % each time we call trigger one frame gets captured
set(vidobj, 'TriggerRepeat',inf); % we can have infinite triggers

triggerconfig(vidobj, 'manual'); % the trigger will be called manually. We can also set times for the same
start(vidobj); % start the device capture

% 采集每一帧的数据
trigger(vidobj); % capture one frame
im=getdata(vidobj); % frame is a matrix that stores the frame
%     im = getsnapshot(cam);
image(ax1,im);
-------------本文结束 感谢您的阅读-------------
相关文章
点击查看