Halcon深度学习-从零开始学习，学习笔记（都是细节）-分类完整版.docx

Halcon 深度学习神器 Halcon 深度学习神器 Halcon 深度学习神器 Halcon 深度学习神器 Halcon 深度学习神器 Halcon 深度学习神器 Halcon 深度学习神器 Halcon 深度学习神器 Halcon 深度学习神器 Halcon 深度学习神器 Halcon 深度学习神器 ### Halcon深度学习知识点概述 #### 分类(Classification) 分类任务是深度学习中最为常见的应用场景之一，其核心目的是通过对输入图像的分析，预测该图像属于哪个预定义的类别。例如，在药品制造过程中，通过分类算法可以自动识别药片是否存在缺陷。 - **结果解读**：在分类任务中，算法不仅会给出最终的类别预测结果，还会提供一个置信度或概率值，用来衡量模型对这一预测的确定程度。 #### 目标检测(Detection) 目标检测不仅涉及识别图像中的对象，还需要精确定位这些对象的位置。这通常通过边界框的形式来实现，即在目标周围绘制矩形并标注类别。 - **应用举例**：在工业自动化领域，目标检测技术可用于监控生产线上产品的质量，如检测瓶子是否有裂缝等。 #### 语义分割(Segmentation) 与分类和目标检测不同，语义分割任务旨在识别并标记图像中每一像素所属的对象类别。这种技术特别适用于需要精细分析图像的场景。 - **关键优势**：语义分割能够提供比目标检测更为细致的信息，非常适合于医疗影像分析、地图制作等领域。 #### 异常检测(Anomaly Detection) 异常检测主要用于发现不符合预期模式的数据点。在工业环境中，异常检测技术可以用于实时监控生产线上的产品质量，及时发现潜在的问题。 - **实施策略**：仅使用正常样本进行训练，系统学会区分正常与异常的情况。这种方法对于那些难以收集异常样本的场景尤其有用。 ### 分类案例详解 #### 数据集预处理 在使用Halcon进行深度学习时，数据预处理是非常重要的第一步。通过有效的预处理，可以显著提高模型训练的效果。 - **读取数据集**：`read_dl_dataset_classification`用于从本地图片文件中读取数据，并将其转换为特定的数据结构——`DLDataset`。 - `DLDataset`结构包括： - `image_dir`: 所有图片的基础路径。 - `class_names`: 类别名称列表。 - `class_ids`: 类别ID列表。 - `samples`: 包含每个样本信息的元组集合，包括图像文件名、唯一ID以及对应的类别ID。 - **数据集分割**：使用`split_dl_dataset`函数将数据集划分为训练集、验证集和测试集三部分，比例通常为75%:15%:15%。 - **注意**：虽然`split_dl_dataset`提供了`anomaly_label`、`bbox_label_id`、`image_label_id`和`segmentation_file_name`等选项，但在实际应用中仅使用了`image_label_id`。 #### 预处理参数创建与验证 - **预处理参数**：`create_dl_preprocess_param`函数用于创建预处理参数，并确保这些参数的有效性。 #### 数据集预处理 - **预处理操作**：`preprocess_dl_dataset`函数执行预处理操作。 - **关键方法**：`gen_dl_samples`用于生成每个样本的`DLSample`字典。 - **标准预处理**：`preprocess_dl_samples`函数负责对样本图片进行标准化预处理。 - **图片预处理**：核心函数`preprocess_dl_model_images`用于处理图片，其中的关键参数包括： - `domain_handling`: 决定了如何处理图像域，可以选择`crop_domain`或`full_domain`。 - `Image_width`/`Image_height`: 用于调整图像大小。 - `NormalizationType`: 图像归一化类型，分类任务中通常选择`none`表示不做任何归一化处理。 - `image_range_max`/`image_range_min`: 调整图像的灰度范围。 #### 模型特定预处理步骤 对于不同的任务类型（如分类、异常检测等），还可能需要额外的预处理步骤。例如： - **异常检测**：使用`preprocess_dl_model_anomaly`。 - **边界框检测**：使用`preprocess_dl_model_bbox_rect1`或`preprocess_dl_model_bbox_rect2`。 - **语义分割**：使用`preprocess_dl_model_segmentations`。 #### 结果保存 使用`write_dl_samples`函数将处理后的数据保存至本地，以便后续用于模型训练。 ### 总结 通过对Halcon深度学习中分类任务的学习，我们不仅了解了基本的概念和流程，更重要的是掌握了具体的操作细节。这些知识点对于初学者来说非常宝贵，能够帮助他们更快地掌握Halcon深度学习平台，并在实际项目中发挥重要作用。此外，深入理解这些操作背后的原理也有助于开发更高效、更精确的机器视觉解决方案。