MVTec 深度学习工具将开发工业深度学习模型的所有关键步骤集成在一款软件中。用户界面结构清晰，允许无需编程即可操作。
一个工具，完成所有步骤
深度学习任务
MVTec 深度学习工具为不同的深度学习任务提供了多种标注方法。
分类标注通过简单地导入图像并将其分配到相应的类别来完成。如果图像存储在适当命名的文件夹中，它们也可以在导入过程中自动标注。
在物体检测中，标注通过在每个相关物体周围绘制矩形框（边界框）并将这些矩形框分配给相应的类别来完成。根据项目需求，用户可以使用轴对齐矩形或定向矩形来标注数据。
在相关物体周围绘制多边形区域，或使用画笔和橡皮擦创建像素精确的蒙版，覆盖相关物体。
此外，还提供了多个智能标注工具，以加速标注过程。这些工具会生成即时的标注建议——无论是在选择相关图像区域后，还是在鼠标指针移动到图像区域时。
重新训练一个 Deep OCR 模型可以显著提高 MVTec HALCON 中 Deep OCR 在特定应用中的识别率。深度学习工具通过优化的工作流程支持高效的标注大规模数据集。检测和识别参数可以配置以生成自动标注建议，这些建议可以被采纳或细化，从而显著减少人工工作量。
这种方法基于全局图像上下文突出显示异常图像内容，并且只需要最小的标注工作量。图像被分类为“ Good ”或“ Anomaly ”，从而实现快速高效的标注。这简化了大规模异常识别，无需对每张图像进行详细标注。
在训练过程中，预先训练的分类器会在先前标注的图像数据集上进行训练。每次迭代训练数据集时，模型会尝试改进其在验证数据集上的预测。根据结果，神经网络中的权重会被调整，以提高下一次迭代的性能。
在深度学习工具中，用户可以配置所有相关的训练参数。选择数据分割后，可以开始训练，并可视化进度和性能。
在评估过程中，模型会使用测试数据集进行评估。此步骤为图像处理专家提供了模型在实际应用中预期表现的指示。
用户可以直接在工具中评估和比较其训练的网络。评估部分提供了关于模型准确度的信息，包括所有处理图像的预测类别的热力图，以及帮助识别错误分类的交互式混淆矩阵。用户还可以计算每张图像的估计推理时间，并将评估结果导出为独立的 HTML 页面以用于文档目的。
MVTec 深度学习工具支持在整个深度学习工作流程中对图像数据和项目进行结构化组织。
在一个项目内一致使用数据集进行训练和评估
训练好的模型可以导出并在 MVTec 产品生态系统中使用：
MVTec 深度学习工具拥有直观的用户界面，让您可以快速上手完整的深度学习解决方案。它能有效优化训练后的网络，确保性能最佳。该工具可以无缝融入 MVTec 的产品组合，并顺利适应现有工作流程。同时，您对自己的数据拥有完全控制，整个过程中既保证了数据隐私，又保持了灵活性。
前往下载页面
