HALCON 20.11：深度学习笔记(2)

HALCON 20.11：深度学习笔记(2)

HALCON 20.11.0.0中，实现了深度学习方法。

由于上面提到的DL方法在它们的作用和它们如何需要数据方面各不相同，所以您需要知道哪种方法最适合您的特定任务。

一旦清楚了这一点，您就需要收集适当数量的数据，也就是图像和方法所需的信息。

然后，所有这些DL方法都有一个通用工作流：

1. 准备网络和数据（Prepare the Network and the Data）

网络需要为您的任务和适合于特定网络的数据做好准备。

1. 建立关系网：读取一个预先训练好的网络或者创建一个新的网络。
2. 网络需要知道它要解决哪个问题，也就是说，要区分哪些类以及这些样本是什么样子的。这是由你的数据集表示的，比如你的图像与相应的地面真实信息（ground truth information）。
3. 网络会对图像提出一些要求(如图像的维数、灰度值范围等)。因此，图像必须进行预处理，这样网络才能处理它们。
4. 我们建议将数据集分成三个不同的数据集，用于培训（training）、验证（validation）和测试（testing）。

2. 训练网络/评估训练进度（Train the Network and Evaluate the Training Progress）

一旦建立了网络并准备好了数据，就可以对网络进行特定任务的训练了。

1. 设置适合您任务和系统的超参数。
2. 可选地指定数据扩展。
3. 开始训练并评估你的网络。

3. 应用和评估最终的网络（Apply and Evaluate the Final Network）

您的网络已为您的任务进行了训练，并已准备好应用。但是，在将其部署到现实世界中之前，您应该根据您的测试数据集评估网络的性能。

4. 推理阶段（Inference Phase）

当你的网络经过训练并且你对它的性能感到满意时，你就可以用它来推断新的图像。当然，需要根据网络的要求对图像进行预处理(与训练的方式相同)。