[Translate to Deutsch:]

Mit Deep Learning starten

MVTec HALCON bietet einen gut ausgestatteten Werkzeugkasten, der alles enthält, was Sie für die gesamte Deep-Learning-Prozesskette benötigen. Mit der integrierten, anwenderfreundlichen Entwicklungsumgebung HDevelop in HALCON können alle Schritte von der Bilderfassung, Datenverarbeitung, Vorverarbeitung bis hin zur Inferenz durchgeführt werden. Ein Schnittstellenthema besteht nicht.

Zusätzlich haben wir mit dem MVTec Deep Learning Tool ein Tool entwickelt, mit dem Trainingsdaten für HALCON's deep-learning-basierte Objektdetektion, Klassifikation und semantische Segmentierung gelabelt werden können. Diese Daten lassen sich nahtlos in HALCON integrieren.

Workflow

Der allgemeine Workflow für eine deep-learning-basierte Klassifikationsanwendung besteht aus den folgenden vier Schritten.

Ein Screenshot des MVTec Deep Learning Tools
Screenshot des MVTec Deep Learning Tools

Vorbereitung: Daten erfassen, labeln und überprüfen

  • Erfassen Sie die Bilddaten unter Bedingungen, die ähnlich oder sogar identisch mit dem erwarteten Szenario in der Live-Anwendung sind.
     
  • Labeln Sie jedes Objekt im Datensatz und jedes Objekt innerhalb einer Klasse auf die gleiche Weise, um die Richtigkeit und Genauigkeit der beschrifteten Daten zu gewährleisten.
     
  • Prüfen und kontrollieren Sie, ob es falsch beschriftete Daten gibt. Mit dem MVTec Deep Learning Tool können Sie den Datensatz einfach und effizient aufbereiten. Das Tool können Sie kostenfrei auf unserer Webseite herunterladen.
Infografik Deep-Learning-Modell trainieren - Gut- und Schlecht-Bilder werden dem CNN "gezeigt"
Deep-Learning-Modell trainieren

Training: Trainieren Sie Ihre eigenen CNNs

Nach dem Export der Daten aus dem Deep Learning Tool in HDevelop kann HALCON diese Bilder analysieren und automatisch lernen, welche Merkmale zur Identifizierung der gegebenen Klassen verwendet werden können. Ein großer Vorteil im Vergleich zu traditionellen Klassifikationsmethoden, bei denen diese Merkmale vom Benutzer manuell extrahiert werden mussten.

Sie können Ihren eigenen Klassifikator auf der Basis von vortrainierten CNNs (Convolutional Neural Networks), die in HALCON enthalten sind, trainieren. Diese Netzwerke wurden für industrielle Anwendungen optimiert und basieren auf Hunderttausenden von Bildern. Darüber hinaus können zuvor erstellte Drittanbieter-Netzwerke, die in das ONNX-Format (Open Neural Network Exchange) exportiert wurden, in HALCON verwendet werden.

Screenshot einer Heatmap in HALCON der eine Anomalie an einer Tablette zeigt
Heatmap in HALCON

Auswertung: Verifizierung des trainierten Modells anhand von Testdaten

Um zu überprüfen, ob die Leistung des trainierten Deep Learning-Modells für Ihre Anwendung ausreichend ist, können Sie zwischen verschiedenen Visualisierungsoptionen wählen.

Sie können z.B. die Konfusionsmatrix in HALCON verwenden, um das Verhältnis von wahren und falschen Positiven genau abzulesen. Die Heatmap kann zeigen, welche Bereiche im Bild für die Entscheidung des Netzwerkes besonders entscheidend waren.

Screenshot zeigt Inferenz in HALCON
Inferenz in HALCON

Inferenz: Wenden Sie Ihr evaluiertes Netzwerk bei neuen Live-Bildern an

Sobald das Netzwerk gelernt hat, zwischen den gegebenen Klassen zu unterscheiden, z.B. zu erkennen, ob ein Bild eine zerkratzte, verunreinigte oder gute Probe zeigt, können die Benutzer den neu erstellten CNN-Klassifikator auf neue Bilder anwenden – dies nennt man "Inferenz". Diese Inferenz kann sowohl auf GPUs als auch auf CPUs (x86- und Arm®-basiert) ausgeführt werden.

Hilfestellungen für Ihren erfolgreichen Start mit Deep Learning

Trainings

MVTec und MVTec Partner bieten Trainings an, um Ihnen Ihren Start und Ihre Arbeit mit Deep Learning zu erleichtern. Schauen Sie sich gern in unserem Trainings & Workshop Angebot um. 

Videos

Sehen Sie sich unsere Tutorials als Ausgangspunkt für Ihre Anwendungen an. Sie können auch unsere HDevelop-Beispielprogramme mit ausführlichen Erklärungen und Hintergrundinformationen verwenden.

Beispiel-Skripte

BeschreibungDownload
HDevelop-Skript zum Labeln Ihrer Daten für die Deep Learning Edge ExtractionZip-File
(8 MB)
HDevelop-Beispielskript, das zeigt wie man aus vorhandenen gelabelten Daten ein DLDataset-Dictionary zur Objektdetektion mit HALCON erstellt.

Zip-File

(3.4 MB)

Minimalversion des HDevelop-Beispiels für Objektdetektion

Zip-File

(3 KB)

Minimalversion des HDevelop-Beispiels für semantische Segmentierung

Zip-File

(3 KB)

Anforderungen

  • 64-Bit Betriebssystem: Windows oder Linux
  • Wir empfehlen, das Training von Deep-Learning-Netzen auf NVIDIA GPUs oder Intel® CPUs durchzuführen.
  • Mehr Informationen in der Installationsanleitung von HALCON

Sie können HALCON kostenlos testen und auf unserer Website herunterladen. Weitere Informationen erhalten Sie hier.