HALCON 21.11：深度学习笔记---Data（数据）(3)

HALCON 21.11：深度学习笔记---Data（数据）(3)

HALCON 21.11.0.0中，实现了深度学习方法。其中，关于术语“数据”的介绍如下：

术语“数据”一词在深度学习的语境中被用作图像和信息，以及其中的内容。这最后的信息必须以网络可以理解的方式提供。不同的DL方法对于必须提供什么信息以及如何提供这些信息有自己的要求。具体要求见相应章节。

网络对图像的尺寸、灰度值范围和类型提出了进一步要求。具体的值取决于网络本身，可以用函数get_dl_model_param查询。此外，不同方法也有关于信息的要求，如边界框。为了满足所有这些需求，可能必须对数据进行预处理，这可以通过相应的函数preprocess_dl_samples来最方便地完成。

当你训练你的网络时，网络就会适应它的任务。但在某一时刻，你会想要评估网络所学到的东西，甚至在更晚的时候，你会想要测试网络。因此，数据集将被分为三个子集，它们应该是独立的和具有相同的分布。简单地说，子集之间不应该以任何方式相互连接，每个集合包含每个类相同的图像分布。这种分割可以由函数split_dl_dataset方便地完成。

显然最大的子集将用于训练，我们将此数据集称为训练数据集。

在某一时刻，对网络的性能进行评估，以检查是否有利于继续进行网络优化。对于这种验证，使用的是第二组数据，即验证数据集。即使验证数据集与第一个数据集不相交，也会对网络优化产生影响。

因此，为了测试模型在现实世界中部署时可能的预测，使用了第三个数据集，即测试数据集。对于一个具有代表性的网络验证或评估，验证数据集和测试数据集应该具有统计上相关的数据，这给出了所需数据量的一个下界。

还要注意的是，为了训练网络，你最好使用具有代表性的图像，也就是那些你想要稍后处理的图像，而不仅仅是“完美”的图像，否则网络在处理非“完美”的图像时可能会有困难。

转载自：https://blog.csdn.net/liubing8609/article/details/121507306