Matlab以一个图像分类例子总结分类学习的使用方法

目录

前言

导入数据

训练学习

导出训练模型

仿真测试

总结

---

前言

最近在尝试一些基于Simulink的边沿AI部署，通过这个案例总结Matlab 分类学习功能的使用。本案例通过输入3000张28*28的灰度图像，训练分类学习模型。并验证训练好的模型最后部署到MCU。

导入数据

如下图是用于训练的数据，每一张图片上有一个数字，达到的目标是：训练好模型后，给定一个28*28带数字的灰度图像就可以识别出图像上的数字并输出结果。要训练一个模型首先就是导入数据，如下图就是用于训练的图片。

每一张图片导入到Matlab workspace后都是一个28*28的数组，如下图：

 完整的训练数据只需要用脚本把这3000张图像数据整理成一个28*28*3000的数组和对应的标签即可。这里还多了一个步骤就是把uint16的图片数据转换成了0-1的double类型数据进行归一化。如下图就得到了用于训练的x,y两个数组。X是输入的数据3000个28*28数据，Y是对应的答案3000*1个，每张图对应一个结果。

本Demo所使用的图片从0-9，每个数字有300张用于训练的图片。

 到这一步，用于训练的数据就整理好了。

训练学习

1.导入用于训练的数据。

打开分类学习器（Classification Learner), 从工作空间导入我们准备好的变量。

 导入X和Y数据集。

 2.根据自己的需要选择想要训练的模型，也可以在OPTIONS配置相关的训练参数，这里直接默认即可。选择ALL Simulink Supported. 然后再点Train ALL. 然后喝杯茶先！

 3. 选择合适的模型

训练出了很多模型，失败的就不用考虑了。后面就根据精度和占用资源的情况选择合适的模型即可。如果不考虑算力，100%的都可以选择，如果是要部署在MCU或者边沿设备上就需要选择资源占用较小的。

 Summary可以看到训练好后模型的参数，可根据实际需要选择。

导出训练模型

导出Simulink模型，也可以导出.m的脚本模型，根据自己需要选择。

 

导出的模型从工作空间导入图片进行验证，也可以自己集成在Simulink里面。 

仿真测试

从目录里导入图片进行分类识别，如下可以看到都能正确识别。

 后面就可以把模型生成代码集成在MCU了，这里也尝试了在MCU上集成测试，测了CPU和RAM，FLASH的使用情况，这个模型还是比较轻量级的。

总结

简单介绍了分数学习工具的使用，也算是提供了模型训练的一种解决方案，供参考。