zoukankan      html  css  js  c++  java
  • halcon深度学习总结(二)

     

    一、模型的特点及选用

    A、 当前使用的halcon版本为19.12,可用于分类的模型有以下几种

    ①    pretrained_dl_classifier_alexnet.hdl

    ②    pretrained_dl_classifier_compact.hdl

    ③    pretrained_dl_classifier_enhanced.hdl

    ④    pretrained_dl_classifier_resnet50.hdl

    B、 以上总共有四种模型,每一种模型对应不同的预训练网络。每一种模型都有各自的特点。当前根据我们在M7000上对比测试的效果来看,我们选用第四种预训练模型的基础上训练出来的总体检测效果最佳。

    C、 第二种模型为迷你型分类网络,该网络的特点是节省内存及运行效率高。网络没有全连接层。图像尺寸不能低于15*15。

    D、第三种模型为增强型网络模型,含有更多的隐含层。相比于迷你型网络需要更多的内存及其它资源,含有全连接层。图片大小不能小于47*47。

    E、 第四种模型,其网络比其它类型的预训练网络更加复杂,对于复杂类型的分类任务,其鲁棒性和稳定性要更好。图像不能小于32*32。

    二、超参数及其设置

    A、 超参数的分类:网络参数、优化参数、正则化参数

    ①    网络参数:可指网络层与层之间的交互方式(相加、相乘或者串接等)、卷积核数量和卷积核尺寸、网络层数(也称深度)和激活函数等。

    ②    优化参数:一般指学习率(learning rate)、批样本数量(batch size)、不同优化器的参数以及部分损失函数的可调参数。

    ③    正则化参数:权重衰减系数,丢弃法比率(dropout)。

    B、 超参数的重要性顺序:

    ①    学习率及损失函数可调参数。

    ②    批样本数量及动量参数的设置。

    ③    Adam优化器的超参数、权重衰减系数、丢弃法比率(dropout)和网络参数。

    C、 超参数详细分类

     

    D、当前经测试得出的较优参数配置:

    ①    学习率为0.001

    ②    批处理大小最大只能设置到18,当前显卡RTX2080。

    ③    动量参数设置为0.9

    ④    NumEpochs 为100~128

    三、图像大小与缩放

    图像的缩放对最终模型的训练结果有较大影响,因图片最大的图片不超过400*400,因此图像缩放后有很多细节部分被丢弃,导致训练出来的模型整体稳定性较差,误报及漏报均较高。因此需要注意图像的缩放问题。

    四、图像训练使用的NG图片数量与OK图片数量。

    ①    图片的挑选必须按照一定的规则进行,OK图片与NG图片不能混杂,否则训练出来的模型会预测混乱。

    ②    OK图片与NG图片的数量根据当前的情况分析大约在5:1的情况下表现较好。(对于这个比例问题后续还需要做更多的验证)

    一花独放不是春,百花齐放春满园! 让机器视觉应用满天下,解放人类的眼睛和大脑!
  • 相关阅读:
    03-三维空间刚体运动-基础知识体系
    特征值和特征向量
    齐次坐标和一般坐标
    c++中 重载 覆盖 隐藏的区别 附加 mutable笔记
    快速学习理解网络协议4
    快速学习理解网络协议3
    快速学习理解网络协议2
    快速学习理解网络协议1
    c++的直接初始化与复制初始化 未完成!!!!!!!!!!!!
    高性能网络编程(二)
  • 原文地址:https://www.cnblogs.com/QuincyYi/p/14432622.html
Copyright © 2011-2022 走看看