[Translate to Chinese:]

如何开始深度学习

MVTec HALCON 提供一个功能齐全的工具箱,其中包含整个深度学习过程所需的各个步骤。 使用 HALCON 中集成的,用户友好的开发环境 HDevelop,可以执行从图像采集,数据处理,预处理到推理的所有步骤。

此外,我们还开发了 MVTec 深度学习工具,该工具可为 HALCON 的基于深度学习的对象检测和分类标记训练数据。 该数据可以无缝集成到 HALCON 中, 无需担心接口。

 

深度学习流程

深度学习分类的一般流程包括以下四个步骤。

 

MVTec 深度学习工具界面
MVTec 深度学习工具界面

准备:获取,标记和检阅数据

  • 在与现实应用中的预期场景相似甚至完全相同的条件下获取深度学习图像数据
     
  • 以相同的方式标记数据集中的每个对象和一个类中的每个对象,以确保标记数据的正确性和准确性。
  • 审阅并检查是否有标记错误的数据。 使用免费的 MVTec 深度学习工具,您可以轻松高效地准备数据集。
训练深度学习模型
训练深度学习模型

训练:训练您自己的深度学习神经网络 CNN

将数据从深度学习工具导出到 HDevelop 之后,HALCON 可以分析这些图像并自动了解哪些功能可用于标记给定的类。 与传统分类方法相比,这是一个很大的优势,在传统分类方法中,这些功能必须由用户“手动定义”。

您可以基于 HALCON 中包含的预训练的 CNN(卷积神经网络)训练自己的分类器。 这些网络基于数十万张图像,已经针对工业应用进行了高度优化。 在 HALCON 中,也可以使用之前第三方平台中生成的 ONNX 格式的神经网络。

 

HALCON 热度图
HALCON 热度图

评估:根据测试数据验证训练好的模型

为了验证训练好的深度学习模型的性能是否足以满足您的应用需要,您可以在各种可视化选项之间进行选择。

例如,您可以使用 HALCON 中的混淆矩阵来准确读取正确和错误样本的比例。 热度图可以显示图像中哪些区域对于神经网络的决策特别重要。

 

在 HALCON 中的推断
在 HALCON 中的推断

推断:将评估后的网络应用到新图像

 一旦神经网络学会区分给定的类,例如,识别图像显示的是划伤、污染还是良好的样本,用户就可以将新训练的 CNN 分类器应用于新图像,这称为“推断”。这种推断既可以在 GPU 上执行,也可以在 CPU(基于x86和Arm®)上执行。

建议与技巧

下面是我们提供的技巧提示,帮助您开始深度学习。

技术培训

MVTec 提供培训,将我们的专业知识和经验传递给您。您可以参加 MVTec Technology Days 活动,该培训主要针对深度学习技术,如分类、对象检测、语义分割和异常检测。

教学视频

观看我们的教学视频,并使用我们的 HDevelop 示例程序,您将获得大量的解释和背景信息。

脚本示例

帮助文件下载
HDevelop脚本,用于标记数据以进行边缘提取Zip-File
(8 MB)

HDevelop 脚本,用于为语义分割标注数据。

注意:我们建议使用 MVTec 深度学习工具标注物体检测数据。

Zip-File

(19 MB)

HDevelop 示例脚本,演示如何利用现有的已标注数据创建用于物体检测的 DLDataset 字典

Zip-File

(3.4 MB)

使用物体检测的简易示例

Zip-File

(3 KB)

使用语义分割的简易示例

Zip-File

(3 KB)

特别要求

  • 64-bit 操作系统: Windows 或 Linux
  • 建议在 NVIDIA GPUs 或 Intel® CPUs 上训练深度学习网络
  • 更多信息,详见 Installation Guide 

 

您可以从我们的网站上下载 HALCON,并免费试用。了解更多