1.halcon目标检测总工作流程:

*
* 深度学习目标检测工作流程:
*
* This example demonstrates the overall workflow for
* object detection based on deep learning, using axis-aligned bounding boxes.
* (instance_type = 'rectangle1')
*
* PLEASE NOTE:
* - 这是一个简单的例子。
* - 为此，尽可能使用默认参数。
*   因此，结果可能与其他示例中的结果有所不同。
* - 有关更多详细步骤，请参阅该系列中的各个示例，
*   例如. detect_pills_deep_learning_1_prepare.hdev etc.
*
dev_close_window ()
dev_update_off ()
set_system ('seed_rand', 42)
*
* ***   0) 设置输入/输出路径   ***
*
get_system ('example_dir', HalconExampleDir)
PillBagJsonFile := HalconExampleDir + '/hdevelop/Deep-Learning/Detection/pill_bag.json'
InputImageDir := HalconExampleDir + '/images/'
*
OutputDir := 'detect_pills_data'
*
* ***   1.) 准备   ***
*
* 读入数据集
* 在这里，我们从COCO文件中读取数据
* 或者，您可以阅读DLDataset词典
* as created by e.g., the MVTec Deep Learning Tool using read_dict().
* halcon官网的一个深度学习工具可以生成需要用的数据集格式
read_dl_dataset_from_coco (PillBagJsonFile, InputImageDir, [], DLDataset)
* 这里读入数据集需要更改，具体参考https://blog.csdn.net/qq_38336419/article/details/106016641* 使用适合于数据集的参数创建检测模型
*
create_dict (DLModelDetectionParam)
set_dict_tuple (DLModelDetectionParam, 'image_dimensions', [512,320,3])
set_dict_tuple (DLModelDetectionParam, 'max_level', 4)
get_dict_tuple (DLDataset, 'class_ids', ClassIDs)
set_dict_tuple (DLModelDetectionParam, 'class_ids', ClassIDs)
create_dl_model_detection ('pretrained_dl_classifier_compact.hdl', |ClassIDs|, DLModelDetectionParam, DLModelHandle)
*
* 预处理DLDataset中的数据。split_dl_dataset (DLDataset, 60, 20, [])
create_dict (PreprocessSettings)* 在这里，现有的预处理数据将被覆盖.
set_dict_tuple (PreprocessSettings, 'overwrite_files', true)
create_dl_preprocess_param_from_model (DLModelHandle, 'false', 'full_domain', [], [], [], DLPreprocessParam)
preprocess_dl_dataset (DLDataset, OutputDir, DLPreprocessParam, PreprocessSettings, DLDatasetFileName)
*
* 目视检查10个随机选择的预处理DLSamples
create_dict (WindowDict)
get_dict_tuple (DLDataset, 'samples', DatasetSamples)
for Index := 0 to 9 by 1SampleIndex := round(rand(1) * (|DatasetSamples| - 1))read_dl_samples (DLDataset, SampleIndex, DLSample)dev_display_dl_data (DLSample, [], DLDataset, 'bbox_ground_truth', [], WindowDict)stop ()
endfor
dev_display_dl_data_close_windows (WindowDict)
*
* ***   2.) 训练   ***
* 设置训练相关模型参数.
set_dl_model_param (DLModelHandle, 'batch_size', 1)
set_dl_model_param (DLModelHandle, 'learning_rate', 0.001)
set_dl_model_param (DLModelHandle, 'runtime_init', 'immediately')
*
* 在这里，我们进行了10个epoch的简短训练
* 为了获得更好的模型性能，请增加epoch数
* from 10 to e.g. 60.
create_dl_train_param (DLModelHandle, 10, 1, 'true', 42, [], [], TrainParam)
train_dl_model (DLDataset, DLModelHandle, TrainParam, 0, TrainResults, TrainInfos, EvaluationInfos)
*
* 读取最佳模型，该模型由train_dl_model写入文件
read_dl_model ('model_best.hdl', DLModelHandle)
dev_disp_text ('Press F5 to continue', 'window', 'bottom', 'left', 'black', [], [])
stop ()
*
dev_close_window ()
dev_close_window ()
*
* ***   3.) 评估   ***
*
create_dict (GenParamEval)
set_dict_tuple (GenParamEval, 'detailed_evaluation', true)
set_dict_tuple (GenParamEval, 'show_progress', true)
evaluate_dl_model (DLDataset, DLModelHandle, 'split', 'test', GenParamEval, EvaluationResult, EvalParams)
*
create_dict (DisplayMode)
set_dict_tuple (DisplayMode, 'display_mode', ['pie_charts_precision','pie_charts_recall'])
dev_display_detection_detailed_evaluation (EvaluationResult, EvalParams, DisplayMode, WindowDict)
stop ()
dev_display_dl_data_close_windows (WindowDict)
*
* ***   4.) 推断   ***
*
* 为了演示推理步骤，我们将训练后的模型应用于一些随机选择的示例图像。
*
list_image_files (InputImageDir + 'pill_bag', 'default', 'recursive', ImageFiles)
tuple_shuffle (ImageFiles, ImageFilesShuffled)
*
set_dl_model_param (DLModelHandle, 'batch_size', 1)
*
create_dict (WindowDict)
for IndexInference := 0 to 9 by 1read_image (Image, ImageFilesShuffled[IndexInference])gen_dl_samples_from_images (Image, DLSampleInference)preprocess_dl_samples (DLSampleInference, DLPreprocessParam)apply_dl_model (DLModelHandle, DLSampleInference, [], DLResult)* dev_display_dl_data (DLSampleInference, DLResult, DLDataset, 'bbox_result', [], WindowDict)stop ()
endfor
dev_display_dl_data_close_windows (WindowDict)
*
*
clean_up_output (OutputDir)

准备工作

*
* 此示例是一系列示例的一部分，该示例总结了DL目标检测的工作流程。 它使用MVTec药片数据集。
*
*
*四个部分是：
* 1.创建模型并进行数据集预处理。
* 2.训练模型。
* 3.评估训练后的模型。
* 4.推断新图像。
*
* 此示例涵盖第1部分：“创建模型和数据集预处理”.
*
* 它说明了如何创建DL对象检测模型（第1.1部分）以及为该模型调整数据的需求（预处理，第1.2部分）。
*
dev_update_off ()
*
* 在此示例中，在执行预处理步骤之前，将在图形窗口中对其进行说明。
* 将以下参数设置为false可以跳过此可视化。
*
ShowExampleScreens := true
*
if (ShowExampleScreens)* * 初始示例窗口和参数.dev_example_init (ShowExampleScreens, ExampleInternals)* * 示例系列的简介文本.dev_display_screen_introduction_part_1 (ExampleInternals)stop ()dev_display_screen_introduction_part_2 (ExampleInternals)stop ()* * 关于创建目标检测模型的简介文本.dev_display_screen_introduction_model (ExampleInternals)stop ()* * 说明如何选择图像的宽度和高度.dev_display_screen_model_image_size (ExampleInternals)stop ()* * 说明如何选择min_level和max_level.dev_display_screen_model_levels (ExampleInternals)stop ()* * 说明如何选择子量表的锚点数量.dev_display_screen_model_anchor_num_subscales (ExampleInternals)stop ()* * 说明如何选择锚点宽高比.dev_display_screen_model_anchor_aspect_ratios (ExampleInternals)stop ()* * 预处理数据集的简介文本.dev_display_screen_preprocessing_introduction (ExampleInternals)stop ()* * 说明目标检测数据集.dev_display_screen_detection_data_part_1 (ExampleInternals)stop ()dev_display_screen_detection_data_part_2 (ExampleInternals)stop ()* * 说明拆分数据集.dev_display_screen_split_dataset (ExampleInternals)stop ()* * 说明如何预处理数据集.dev_display_screen_preprocessing_data (ExampleInternals)stop ()* * Run the program.dev_display_screen_run_program (ExampleInternals)stop ()
endif
*
* *****************************************************
* *****************************************************
* **   Part 1.1: 创建目标检测模型   ***
* *****************************************************
* *****************************************************
*
* ************************
* **   设定参数  ***
* ************************
*
* 设置必填参数.
Backbone := 'pretrained_dl_classifier_compact.hdl'
NumClasses := 10
*
* 网络的图像尺寸.以后，这些值将用于在预处理期间重新缩放图像
*
ImageWidth := 512
ImageHeight := 320
ImageNumChannels := 3
*
* 设置min_level，max_level，anchor_num_subscales和anchor_aspect_ratios.
MinLevel := 2
MaxLevel := 4
AnchorNumSubscales := 3
AnchorAspectRatios := [1.0,0.5,2.0]
*
* 将容量设置为“中”，足以完成此任务,并提供更好的推理和训练速度
* 与“high”相比，“medium”模型的速度快两倍以上，同时显示出几乎相同的检测性能。
* Capacity := 'medium'
*
* *******************************************
* **   创建目标检测模型  ***
* *******************************************
*
* 创建通用参数名称并创建对象检测模型.
create_dict (DLModelDetectionParam)
set_dict_tuple (DLModelDetectionParam, 'image_width', ImageWidth)
set_dict_tuple (DLModelDetectionParam, 'image_height', ImageHeight)
set_dict_tuple (DLModelDetectionParam, 'image_num_channels', ImageNumChannels)
set_dict_tuple (DLModelDetectionParam, 'min_level', MinLevel)
set_dict_tuple (DLModelDetectionParam, 'max_level', MaxLevel)
set_dict_tuple (DLModelDetectionParam, 'anchor_num_subscales', AnchorNumSubscales)
set_dict_tuple (DLModelDetectionParam, 'anchor_aspect_ratios', AnchorAspectRatios)
set_dict_tuple (DLModelDetectionParam, 'capacity', Capacity)
*
* 创建模型.
create_dl_model_detection (Backbone, NumClasses, DLModelDetectionParam, DLModelHandle)
*
*
* ****************************************
* ****************************************
* **   Part 1.2: 预处理数据   ***
* ****************************************
* ****************************************
*
* ************************************
* **   设置输入和输出路径  ***
* ************************************
*
* 所有示例数据均写入此文件夹.
ExampleDataDir := 'detect_pills_data'
*
get_system ('example_dir', HalconExampleDir)
* 图像目录的路径.
HalconImageDir := HalconExampleDir + '/images/'
* 数据集的Json文件的路径.
PillBagJsonFile := HalconExampleDir + '/hdevelop/Deep-Learning/Detection/pill_bag.json'
*
* 编写初始化的DL目标检测模型以在示例第2部分中进行训练.
DLModelFileName := ExampleDataDir + '/pretrained_dl_model_detection.hdl'
* 数据集目录，用于由preprocess_dl_dataset编写的任何输出.
DataDirectory := ExampleDataDir + '/dldataset_pill_bag_' + ImageWidth + 'x' + ImageHeight
* 单独存储预处理参数以使用它，例如 在推理中.
PreprocessParamFileName := DataDirectory + '/dl_preprocess_param_' + ImageWidth + 'x' + ImageHeight + '.hdict'
*
* ************************
* **   设定参数  ***
* ************************
*
* 分割数据集的百分比.
TrainingPercent := 70
ValidationPercent := 15
*
* 为了获得可复制的分割，我们设置了一个随机种子.
* 这意味着重新运行脚本会导致DLDataset的拆分.
SeedRand := 42
*
* ***************************************************
* **   读取标记的数据集并调整模型   ***
* ***************************************************
*
* 创建输出目录（如果尚不存在）.
file_exists (ExampleDataDir, FileExists)
if (not FileExists)make_dir (ExampleDataDir)
endif
*
* 读入数据集.
* 在这里，我们从COCO文件中读取数据.
* 或者，您可以阅读DLDataset词典
* as created by e.g., the MVTec Deep Learning Tool using read_dict().
read_dl_dataset_from_coco (PillBagJsonFile, HalconImageDir, [], DLDataset)
*
* 从模型中的数据集中设置类ID.
get_dict_tuple (DLDataset, 'class_ids', ClassIDs)
set_dl_model_param (DLModelHandle, 'class_ids', ClassIDs)
*
* 编写初始化的DL目标检测模型以在第二部分中进行训练
*
write_dl_model (DLModelHandle, DLModelFileName)* ***********************************************************
* **   将数据集拆分为训练/验证和测试集   ***
* ***********************************************************
*
* 为了获得可重复的结果，我们在这里设置了一个种子.
set_system ('seed_rand', SeedRand)
*
* 产生分割.
split_dl_dataset (DLDataset, TrainingPercent, ValidationPercent, [])* *********************************
* **   预处理数据集  ***
* *********************************
*
* 从模型获取预处理参数.
create_dl_preprocess_param_from_model (DLModelHandle, 'false', 'full_domain', [], [], [], DLPreprocessParam)
*
* 预处理数据集。 这可能需要几分钟.
create_dict (GenParam)
set_dict_tuple (GenParam, 'overwrite_files', true)
preprocess_dl_dataset (DLDataset, DataDirectory, DLPreprocessParam, GenParam, DLDatasetFilename)
*
* 编写预处理参数以在以后的部分中使用它们.
write_dict (DLPreprocessParam, PreprocessParamFileName, [], [])* *******************************************
* **   预览预处理的数据集   ***
* *******************************************
*
* 在进行训练之前，建议先检查预处理后的数据集.
*
* 显示10个随机选择的训练图像的DL样本.
get_dict_tuple (DLDataset, 'samples', DatasetSamples)
find_dl_samples (DatasetSamples, 'split', 'train', 'match', SampleIndices)
tuple_shuffle (SampleIndices, ShuffledIndices)
read_dl_samples (DLDataset, ShuffledIndices[0:9], DLSampleBatchDisplay)
*
* 设置dev_display_dl_data的参数.
create_dict (WindowHandleDict)
create_dict (GenParam)
set_dict_tuple (GenParam, 'scale_windows', 1.2)
*
* 在DLSampleBatchDisplay中显示样本.
for Index := 0 to |DLSampleBatchDisplay| - 1 by 1* * 在DLSampleBatchDisplay中循环采样.dev_display_dl_data (DLSampleBatchDisplay[Index], [], DLDataset, 'bbox_ground_truth', GenParam, WindowHandleDict)get_dict_tuple (WindowHandleDict, 'bbox_ground_truth', WindowHandles)* * 添加说明文字.dev_set_window (WindowHandles[0])get_dict_object (Image, DLSampleBatchDisplay[Index], 'image')get_image_size (Image, ImageWidth, ImageHeight)dev_disp_text ('New image size after preprocessing: ' + ImageWidth + ' x ' + ImageHeight, 'window', 'bottom', 'right', 'black', [], [])* dev_set_window (WindowHandles[1])dev_disp_text ('Press Run (F5) to continue', 'window', 'bottom', 'right', 'black', [], [])stop ()
endfor
*
* 关闭用于可视化的窗口.
dev_display_dl_data_close_windows (WindowHandleDict)
*
if (ShowExampleScreens)* 提示DL检测训练过程示例.dev_disp_end_of_program (ExampleInternals)stop ()* Close example windows.dev_close_example_windows (ExampleInternals)
endif

开始训练

*
* 本示例是一系列示例的一部分，该示例总结了DL对象检测的工作流程。 它使用MVTec药袋数据集。
*
*
* The four parts are:
* 1. Creation of the model and dataset preprocessing.
* 2. Training of the model.
* 3. Evaluation of the trained model.
* 4. Inference on new images.
*
* 此示例包含第2部分：“模型训练”.
*
* 它说明了如何在预处理的数据集上训练对象检测模型。 请注意：此脚本需要第1部分的输出detect_pills_deep_learning_1_preparation.hdev*
dev_update_off ()
*
* 在此示例中，训练步骤在执行之前在图形窗口中进行了说明。 将以下参数设置为false可以跳过此可视化.ShowExampleScreens := true
*
* 显示有关此示例的说明性屏幕.
if (ShowExampleScreens)* * 初始示例窗口和参数等.dev_example_init (ShowExampleScreens, ExampleInternals)* * 示例系列的介绍文字.dev_display_screen_introduction_train (ExampleInternals)stop ()* * Check for requirements.dev_display_screen_error (ExampleInternals, Error)if (Error)stop ()endif* * 在训练中说明目标.dev_display_screen_training_goals_1 (ExampleInternals)stop ()dev_display_screen_training_goals_2 (ExampleInternals)stop ()* * 解释set_dl_model_param和create_dl_train_param.dev_display_screen_parameters (ExampleInternals)stop ()* * 说明batch_size.dev_display_screen_batch_size (ExampleInternals)stop ()* * 说明学习率.dev_display_screen_learning_rate (ExampleInternals)stop ()* * 解释epoch数.dev_display_screen_num_epochs (ExampleInternals)stop ()* * 说明其他参数.dev_display_screen_other_params (ExampleInternals)stop ()* * Explain train_dl_model.dev_display_screen_training_process (ExampleInternals)stop ()* * 说明训练将从现在开始.dev_display_screen_training_starts (ExampleInternals)stop ()* * Close any example screen windows.dev_close_example_windows (ExampleInternals)
endif
*
* *****************************************************
* ***          设置输入输出路径.          ***
* *****************************************************
*
* 所有示例数据均写入此文件夹.
ExampleDataDir := 'detect_pills_data'
* 初始化模型的文件路径.
InitialModelFileName := ExampleDataDir + '/pretrained_dl_model_detection.hdl'
* 预处理的DLDataset的文件路径.
DataDirectory := ExampleDataDir + '/dldataset_pill_bag_512x320'
DLDatasetFileName := DataDirectory + '/dl_dataset.hdict'
*
* 最佳评估模型的输出路径.
BestModelBaseName := ExampleDataDir + '/best_dl_model_detection'
* 最终训练模型的输出路径.
FinalModelBaseName := ExampleDataDir + '/final_dl_model_detection'
*
* *****************************************************
* ***             设置基本参数.             ***
* *****************************************************
* 以下参数需要经常修改.
*
* 模型参数.
* Batch size.
BatchSize := 2
* 初始学习率.
InitialLearningRate := 0.0005
* 如果批量小，动量应该高.
Momentum := 0.99
*
* train_dl_model使用的参数.
* 训练模型的epochs数.
NumEpochs := 60
* 评估间隔（以epoch计），以计算验证拆分中的评估度量.
EvaluationIntervalEpochs := 1
* 在以下世代更改学习率，例如 [15，30].
* 如果不应更改学习率，请将其设置为[].
ChangeLearningRateEpochs := 30
* 将学习率更改为以下值，例如 InitialLearningRate * [0.1，0.01].
* 元组的长度必须与ChangeLearningRateEpochs相同.
ChangeLearningRateValues := InitialLearningRate * 0.1
*
* *****************************************************
* ***          设置超参数.            ***
* *****************************************************
* 在极少数情况下，可能需要更改以下参数.
*
* Model parameter.
* 事先设置权重.
WeightPrior := 0.00001
*
* Parameters used by train_dl_model.
* 控制是否显示训练进度（是/否）.
DisplayEvaluation := true
* Set a random seed for training.
SeedRandom := 42
*
* 设置create_dl_train_param的通用参数.
* 请参阅create_dl_train_param的文档以获取所有可用参数的概述.
GenParamName := []
GenParamValue := []
*
* 扩充参数.
* 如果在训练期间应增加样本，请创建expand_dl_samples所需的字典.
* 在这里，我们设置增强百分比和方法.
create_dict (AugmentationParam)
* 增加的样本百分比.
set_dict_tuple (AugmentationParam, 'augmentation_percentage', 50)
* 沿行和列镜像.
set_dict_tuple (AugmentationParam, 'mirror', 'rc')
GenParamName := [GenParamName,'augment']
GenParamValue := [GenParamValue,AugmentationParam]
*
* Change strategies.
* 训练期间可以更改模型参数.
* 在这里，如果上面指定了，我们将更改学习率.
if (|ChangeLearningRateEpochs| > 0)create_dict (ChangeStrategy)* 指定要更改的模型参数，此处为学习率.set_dict_tuple (ChangeStrategy, 'model_param', 'learning_rate')* 在“ initial_value”处启动参数值.set_dict_tuple (ChangeStrategy, 'initial_value', InitialLearningRate)* 在以下epoch降低学习率.set_dict_tuple (ChangeStrategy, 'epochs', ChangeLearningRateEpochs)* Reduce the learning rate to the following value at epoch 30.set_dict_tuple (ChangeStrategy, 'values', ChangeLearningRateValues)* Collect all change strategies as input.GenParamName := [GenParamName,'change']GenParamValue := [GenParamValue,ChangeStrategy]
endif
*
* 序列化策略.
* 有几种将中间模型保存到磁盘的选项（请参见create_dl_train_param）.
* 在这里，最佳和最终模型将保存到上面设置的路径.
create_dict (SerializationStrategy)
set_dict_tuple (SerializationStrategy, 'type', 'best')
set_dict_tuple (SerializationStrategy, 'basename', BestModelBaseName)
GenParamName := [GenParamName,'serialize']
GenParamValue := [GenParamValue,SerializationStrategy]
create_dict (SerializationStrategy)
set_dict_tuple (SerializationStrategy, 'type', 'final')
set_dict_tuple (SerializationStrategy, 'basename', FinalModelBaseName)
GenParamName := [GenParamName,'serialize']
GenParamValue := [GenParamValue,SerializationStrategy]
*
* *****************************************************
* ***       读取初始模型和数据集.         ***
* *****************************************************
*
* 检查是否所有必需的文件都存在.
check_files_availability (ExampleDataDir, InitialModelFileName, DLDatasetFileName)
*
* 读入在预处理过程中初始化的模型.
read_dl_model (InitialModelFileName, DLModelHandle)
*
* 读入预处理的DLDataset文件.
read_dict (DLDatasetFileName, [], [], DLDataset)
*
* *****************************************************
* ***             设置模型参数.             ***
* *****************************************************
*
* 根据上面的设置来设置模型超参数.
set_dl_model_param (DLModelHandle, 'learning_rate', InitialLearningRate)
set_dl_model_param (DLModelHandle, 'momentum', Momentum)
set_dl_model_param (DLModelHandle, 'batch_size', BatchSize)
if (|WeightPrior| > 0)set_dl_model_param (DLModelHandle, 'weight_prior', WeightPrior)
endif
set_dl_model_param (DLModelHandle, 'runtime_init', 'immediately')
*
* *****************************************************
* ***               训练模型.                ***
* *****************************************************
*
* 创建训练参数.
create_dl_train_param (DLModelHandle, NumEpochs, EvaluationIntervalEpochs, DisplayEvaluation, SeedRandom, GenParamName, GenParamValue, TrainParam)
*
* 开始训练.
train_dl_model (DLDataset, DLModelHandle, TrainParam, 0.0, TrainResults, TrainInfos, EvaluationInfos)
*
* 训练结束后停止，然后关闭窗户.
dev_disp_text ('Press Run (F5) to continue', 'window', 'bottom', 'right', 'black', [], [])
stop ()
*
* 关闭训练窗口.
dev_close_window ()
dev_close_window ()
*
* 显示最后的示例屏幕.
if (ShowExampleScreens)* 提示DL检测评估和推断示例.dev_display_screen_final (ExampleInternals)stop ()* Close example windows.dev_close_example_windows (ExampleInternals)
endif

利用halcon的深度学习网络进行目标检测相关推荐

HALCON 20.11：深度学习笔记(11)---目标检测
HALCON 20.11:深度学习笔记(11)---目标检测 HALCON 20.11.0.0中,实现了深度学习方法. 本章讲解了如何使用基于深度学习的对象检测. 通过对象检测,我们希望在图像中找到不 ...
基于深度学习的显著性目标检测方法综述
源自:电子学报作者:罗会兰袁璞童康摘要显著性目标检测旨在对图像中最显著的对象进行检测和分割,是计算机视觉任务中重要的预处理步骤之一,且在信息检索.公共安全等领域均有广泛的应 ...
深度学习论文阅读目标检测篇（三）：Faster R-CNN《 Towards Real-Time Object Detection with Region Proposal Networks》
深度学习论文阅读目标检测篇(三):Faster R-CNN< Towards Real-Time Object Detection with Region Proposal Networks&g ...
深度学习论文阅读目标检测篇（七）中英对照版：YOLOv4《Optimal Speed and Accuracy of Object Detection》
深度学习论文阅读目标检测篇(七)中英对照版:YOLOv4<Optimal Speed and Accuracy of Object Detection> Abstract 摘要 1. In ...
《深度学习》之目标检测最全详解（一）
目标检测一.简介目标检测,也叫目标提取,是一种基于目标几何和统计特征的图像分割,它将目标的分割和识别合二为一,其准确性和实时性是整个系统的一项重要能力.尤其是在复杂场景中,需要对多个目标进行实时处 ...
基于深度学习的YOLO目标检测研究-附Matlab代码
目录 ✳️ 一.引言 ✳️ 二.YOLO的基本思想 ✳️ 三.实验验证 ✳️ 四.参考文献 ✳️ 五.Matlab代码获取 ✳️ 一.引言目标检测是计算机视觉中的一个研究热点,在很多领域都有应用需求 ...
深度学习论文阅读目标检测篇（二）：Fast R-CNN《Fast R-CNN》
深度学习论文阅读目标检测篇(二):Fast R-CNN<Fast R-CNN> Abstract 摘要 1. Introduction 引言 1.1 RCNN and SPPnet 1.2 ...
深度学习论文阅读目标检测篇（六）中文版：YOLOv3《 An Incremental Improvement》
深度学习论文阅读目标检测篇(六)中文版:YOLOv3< An Incremental Improvement> 摘要 1. 引言 2. 方案 2.1. 边界框预测 2.2. Class P ...
深度学习论文阅读目标检测篇（五）中文版：YOLOv2《 YOLO9000: Better, Faster, Stronger》
深度学习论文阅读目标检测篇(五)中文版:YOLOv2< YOLO9000: Better, Faster, Stronger> 摘要 1.引言 2. 更好 3. 更快 4. 更强 5. 结 ...
深度学习论文阅读目标检测篇（五）中英对照版：YOLOv2《 YOLO9000: Better, Faster, Stronger》
深度学习论文阅读目标检测篇(五)中文版:YOLOv2< YOLO9000: Better, Faster, Stronger> Abstract 摘要 1. Introduction 1. ...

利用halcon的深度学习网络进行目标检测

halcon深度学习

1.halcon目标检测总工作流程:

准备工作

开始训练

利用halcon的深度学习网络进行目标检测相关推荐

最新文章

热门文章