Deep Learning Tool
Das Labeln von Trainingsdaten ist der erste entscheidende Schritt für jede Deep-Learning-Anwendung. Denn: Die Qualität dieser gelabelten Daten spielt eine große Rolle, wenn es um die Leistung, Genauigkeit und Robustheit der Anwendung geht.
Mit dem MVTec Deep Learning Tool ermöglichen wir HALCON-Anwendern eine umfassende und reibungslose Deep-Learning-Erfahrung. Mit der Entwicklung einer eigenen Lösung stellen wir dabei sicher, dass sich die gelabelten Daten nahtlos in HALCON integrieren lassen. Eine eigene Anwendung zu entwickeln erlaubt es uns darüber hinaus auch, unsere umfangreiche Erfahrung und Expertise einzubringen, die wir bei der Entwicklung der Deep-Learning-Algorithmen von HALCON erworben haben, wobei – naturgemäß – auch viel Labeling notwendig war.
Arbeiten mit dem MVTec Deep Learning Tool
Die aktuelle Version des Deep Learning Tools (0.2) erlaubt das Labeln von Trainingsdaten für HALCONs deep-learning-basierte Objektdetektion. Das Labeln erfolgt dabei durch das Zeichnen von Rechtecken um jedes relevante Objekt und durch die Zuweisung dieser Rechtecke zu den entsprechenden Klassen. Je nach Projektanforderung kann der Nutzer seine Daten entweder mit achsen-parallelen oder mit orientierten Rechtecken labeln.
Um den Labeling-Prozess zu beschleunigen, können mehrere Benutzer an verschiedenen Teilen des Bilddatensatzes arbeiten. So kann beispielsweise ein Benutzer eine Teilmenge von Bildern vollständig labeln, oder eine einzelne Klasse auf alle Bilder innerhalb eines Datensatzes labeln. Diese Teildatensätze können dann durch Importieren einzelner HALCON Dictionaries zu einem Projekt zusammengeführt werden.
Funktionalitäten zum Labeln von Trainingsdaten für deep-learning-basierte Klassifikation und semantische Segmentierung werden in den nächsten Versionen des MVTec Deep Learning Tools hinzugefügt. Um Sie beim Labeln von Daten für diese Deep-Learning-Technologien zu unterstützen, bieten wir Deep-Learning-Helfer zum Download an.
Das Deep Learning Tool ist in den Sprachen Englisch, Deutsch, Japanisch und Chinesisch (traditionell) verfügbar.
