HALCON 21.11:深度学习笔记(1)

HALCON 21.11:深度学习笔记(1)

HALCON 21.11.0.0中,实现了以下深度学习方法:

1. Anomaly Detection(异常检测)

给每个像素分配显示未知特征的可能性。更多信息请参见深度学习/异常检测一章。

HALCON 21.11:深度学习笔记(1)_第1张图片

异常检测的某个例子:给输入图像的每个像素分配一个分数,表示它显示未知特征(即异常)的可能性有多大

2. Classification(分类)

将图像分类为给定类集合中的一个类。更多信息请参见深度学习/分类一章。

HALCON 21.11:深度学习笔记(1)_第2张图片

分类的某个例子:将图像分配给一个类

3. Object Detection(对象检测), Instance Segmentation(实例分割)

检测给定类的对象,并在图像中定位它们。实例分割是对象检测的一种特殊情况,在这种情况下,模型还预测不同的对象实例,并输出实例在图像中的区域。更多信息请参见深度学习/对象检测, 实例分割一章。

HALCON 21.11:深度学习笔记(1)_第3张图片

对象检测的某个例子:在输入图像中找到三个实例并分配给一个类

HALCON 21.11:深度学习笔记(1)_第4张图片

实例分割的某个例子: 每个实例都标记了它自己的区域

4. Semantic Segmentation(语义分割), Edge Extraction(边缘提取)

为图像的每个像素分配一个类,但不区分一个类的不同实例。语义分割的一种特殊情况,输入图像的每个像素被分配为“边缘”和“背景”这两类之一。更多信息请参见深度学习/语义分割, 边缘提取章节。

HALCON 21.11:深度学习笔记(1)_第5张图片

 语义分割的某个例子:输入图像的每个像素被分配给一个类

HALCON 21.11:深度学习笔记(1)_第6张图片

边缘提取的某个例子: 属于特定边缘的像素被分配给类“边缘”

上面列出的所有深度学习方法都使用一个网络来完成分配任务。

HALCON中,它们是在通用DL模型中实现的,具体参见深度学习/模型章节。

模型的训练只考虑输入和输出,这也称为端到端学习。

通常,训练算法使用图像和可见信息不断调整模型,以区分不同的类别,并最终找到相应的目标。

对于您来说,它不需要手动特征提取。当然,你必须选择和收集适当的数据。

系统需求

对于深度学习,还有其他先决条件。请参阅HALCON安装指南”中列出的要求,章节1.4.4深度学习和基于深度学习的方法的要求”。

为了加快训练过程,我们建议在HALCON中使用一个足够快的硬盘驱动器。因此,固态硬盘(SSD)比传统的硬盘驱动器(HDD)更可取。

包括深度学习的HALCON磁盘空间要求:

  • 运行时间:3.2 GB(使用CUDA 10.2.89)
  • 运行时间:5.4 GB(使用CUDA 11.1.0)
  • 完整安装:20 GB

一个实现是否适用于特定的设备取决于方法和任务。

深度学习模块的方法概述见表1,其他模块基于深度学习的方法见表2

HALCON 21.11:深度学习笔记(1)_第7张图片

表1:深度学习的模型依赖

[1]: 除了macOS系统

[2]: 除了aarch64和armv7a

表2:基于深度学习方法的方法依赖[1]: 除了macOS系统

深度学习和基于深度学习方法的应用程序,如深度OCR,可能会有进一步的需求,这取决于它们运行的设备(CPUGPU)

GPU应用程序:在GPU上运行深度学习和基于深度学习的应用程序时,需要额外的先决条件。表3列出了成功测试HALCON所需的其他先决条件。在有多个条目的情况下,必须使用相应的条目。

HALCON检查安装了哪个CUDA版本,并自动查找相应的子目录及其库。在WindowsLinux x64下,这些库分别在单独的安装程序或归档文件中提供。

Linux aarch64下,这些库必须手动安装。

CPU应用程序:在运行深度学习以及基于深度学习的应用时,CPU支持表4所列的平台。

HALCON 21.11:深度学习笔记(1)_第8张图片

表3:GPU[1]上深度学习应用的需求:安装NVIDIA JetPack 4.6

表4:CPU[1]上深度学习应用的需求:异常检测除外

你可能感兴趣的:(HALCON,Halcon,21,AI)