分类
本章说明了如何在训练和推理阶段使用基于深度学习的分类。
基于深度学习的分类是一种方法,其中图像获得一组分配的置信度值。这些置信度值指示图像属于每个区别类别的可能性。因此,如果仅考虑最高预测,则分类意味着将给定类别集中的特定类别分配给图像。下面的模式对此进行了说明。
orange:0.03apple:0.85lemon:0.12
一个可能的分类示例,其中网络区分三个类别。输入图像获得为三个不同类别中的每个类别分配的置信度值:“苹果” 0.85,“柠檬” 0.03和“橙色” 0.12。最高预测告诉我们,该图像被识别为“苹果”。
为了执行您的特定任务,从而将数据分类为您要区分的类,必须对分类器进行相应的训练。在HALCON中,我们使用一种称为转移学习的技术(另请参阅“深度学习”一章)。因此,我们提供了经过预训练的网络,这些网络代表了已针对大量带标签图像数据进行训练的分类器。这些分类器已经过培训和测试,可以很好地完成工业图像分类任务。这些分类器之一已经接受了一般分类的培训,现在可以针对您的特定任务进行重新训练。为此,分类器需要知道,要区分哪些类以及此类示例的外观。这由您的数据集表示,即具有相应地面真相标签的图像。有关数据要求的更多信息,请参见“分类数据”部分。
有关应用深度学习分类的特定系统要求,请参阅HALCON“Installation Guide”。
操作员工作流程
请查看HDevelop示例classify_fruit_deep_learning.hdev,以获取简短简要的概述以及classify_pill_defects_deep_learning.hdev更复杂的工作流程(均可在参考资料中找到examples/hdevelop/Deep-Learning/Classifi