logo资料库

Halcon深度学习-从零开始学习，学习笔记（都是细节）-分类完整版.docx

发布时间：2022-06-02 发布人：admin 分类：说明书 资料大小：1.70M 资料格式：docx 举报 版权申诉
第1页 / 共24页
第2页 / 共24页
第3页 / 共24页
第4页 / 共24页
第5页 / 共24页
第6页 / 共24页
第7页 / 共24页
第8页 / 共24页
资料共24页，剩余部分请下载后查看
    Halcon深度学习知识点
    一、分类
    1.数据集预处理（Dataset preprocessing）
    ①　read_dl_dataset_classification：
    ②　split_dl_dataset：
    ③　create_dl_preprocess_param:
    ④　preprocess_dl_dataset:
    A.gen_dl_samples：
    B.preprocess_dl_samples：
    a.核心函数：preprocess_dl_model_images（第一道处理）：
    b.model specific sample keys(第二道预处理)
    C.write_dl_samples（本地保存当前）
    D.最后保存数据集
    2.训练（Train）
    ①　设置基础参数
    ②　设置通用参数
    ③　read_dl_model
    ④　create_dl_train_param
    ⑤　train_dl_model
    A.先修改迭代批次等参数
    B.read_dl_samples：
    C.augment_dl_samples
    D.train_dl_model_batch
    E.dev_display_update_train_dl_model
    F.evaluate_dl_model
    G.dev_display_dl_data_tiled 和dev_display_tiled_legen
    H.update_train_dl_model_serialization
    ⑥　总结一下分类过程嘛，其实很简单：
    3.评估（Evaluation）
    ①　evaluate_dl_model
    ②　dev_display_classification_evaluation
    ③　热度图：dev_display_dl_data
    4. 推理应用（inference）
    Halcon 深度学习知识点 分类('classification')： 判断一张图片是什么，一张图片是一种类型，得到的结果：类型名称+概率 目标检测('detection')： 能够定位一张图中的目标位置和目标的个数 语义分割('segmentation')： 直接分割出图片中目标的像素轮廓
    异常检测(anomaly_detection)：用异常检测来做，只训练 ok 图片； 雾里看花：因为目标检测有个弊端，自然缺陷类别会很多而且不规则，缺陷样本 很难收集，聪明的客户是不会认可这种方式的，因为如果忽然出现其他类别的缺 陷，目标检测未必就能检测出来，存在漏检的风险； 但是跟客户讲解，如果用异常检测来做，只训练 ok 图片，跟 ok 不一样的就会被 挑出来，客户更能够接受） 一、分类 根据 Halcon 例子学习分类的各个细节： classify_pill_defects_deep_learning_1_preprocess classify_pill_defects_deep_learning_2_train classify_pill_defects_deep_learning_3_evaluate classify_pill_defects_deep_learning_4_infer 主要记录各个算子的作用和参数意义 1. 数据集预处理（Dataset preprocessing） 1 read_dl_dataset_classification： 根据本地的整理好的图片文件生成数据格式： DLDataset
    'image_dir' 'class_names'[] 'class_ids'[] 'samples'[] { : Common base path of all images : Tuple of strings : Tuple of integers [0, ..., |ClassNames|-1] : Tuple of dictionaries 格式： * DLDataset * { * * * * * * file name) * * * * } } 'image_file_name' : File path relative to 'image_dir' (including the 'image_id' 'image_label_id' : Unique image ID : Class ID assigned to the image 2 split_dl_dataset： 把图片的数据分割标记三种类型：['train','validation','test'] 三种比例：75%+15%+15% 结果是图片样品被标记：
    问题：'anomaly_label'，'bbox_label_id','image_label_id','segmentation_file_name' 为啥有四个选项，这里只用了'image_label_id' 3 create_dl_preprocess_param: 创建预处理参数，并且校验参数是否有效 4 preprocess_dl_dataset: 数据集先添加了预处理参数数据：
    数据集添加样本的输出路径： 函数内核心方法： A. gen_dl_samples： 每个样本生成 DLSample 词典：
    B. preprocess_dl_samples： 标准预处理样品图片 根据预处理参数处理图片: a. 核心函数：preprocess_dl_model_images（第一道处理）： 使用算子： 参数 domain_handling 决定： crop_domain/full_domain 参数 Image_width/image_height 决定： zoom_image_size 参数 NormalizationType 有： 多通道的图片处理，分类使用的 none，无处理 'all_channels'/'first_channel'/'constant_values'/'none' 参数 image_range_max/min 决定： convert_image_type/scale_image，把灰度映射到-127-128
    b. model specific sample keys(第二道预处理) 分类没有进行此步骤的处理 'anomaly_ground_truth'： 算子：preprocess_dl_model_anomaly 'bbox_row1'：'rectangle1'： 算子：preprocess_dl_model_bbox_rect1 'bbox_phi'：'rectangle2'： 算子：preprocess_dl_model_bbox_rect2 'segmentation_image'：'semantic segmentation' 算子：preprocess_dl_model_segmentations C. write_dl_samples（本地保存当前） 保存本地，并且在数据集中增加一项：
    D. 最后保存数据集 2. 训练（Train） 1 设置基础参数 经常需要调整的参数 BatchSize（批量大小）: 一次训练的图片张数 InitialLearningRate（初始学习率）： Momentum（动量）： 如果批量很小，动量应该很高 NumEpochs（迭代次数）：
    分享到：
    赞 收藏

    相关推荐

    资料库

    行业

    共收录7266份资料，累计15个分类，关注成员有19位，主要包括：物流,旅游,餐饮零售,网络游戏,咨询,金融,电子政务,外包,教育,制造,医疗,嵌入式,互联网,交通,电信

    热门标签

    物流 旅游 餐饮零售 网络游戏 咨询 金融 电子政务 外包 教育 制造 医疗 嵌入式 互联网 交通 电信

    最新资料