HALCON 20.11：深度学习笔记(1)

HALCON 20.11.0.0中，实现了以下深度学习方法：

1. Anomaly Detection（异常检测）

给每个像素分配显示未知特征的可能性。更多信息请参见深度学习/异常检测一章。

异常检测的一个可能的例子：给输入图像的每个像素分配一个分数，表示它显示未知特征(即异常)的可能性有多大

2. Classification（分类）

将图像从给定的类集合中分类为一个类。更多信息请参见深度学习/分类一章。

分类的一个可能的例子：将图像分配给一个类

3. Object Detection（对象检测）

检测给定类的对象，并在图像中定位它们。更多信息请参见深度学习/对象检测一章。

对象检测的一个可能的例子：在输入图像中找到三个实例并分配给一个类

4. Semantic Segmentation（语义分割）

为图像的每个像素分配一个类。更多信息请参见深度学习/语义分割一章。

语义分割的一个可能的例子：输入图像的每个像素被分配给一个类

上面列出的所有深度学习方法都使用网络来完成分配任务。

在HALCON中，它们是在通用DL模型中实现的，具体参见深度学习/模型章节。

只考虑输入和输出来训练模型，也称为端到端学习。

通常，训练算法使用图像和可见信息不断调整模型，以区分不同的类别，并最终找到相应的目标。

对于您来说，它有一个不需要手动特性说明的好结果。当然，你必须选择和收集适当的数据。

系统需求

对于深度学习，还有其他先决条件。请参阅HALCON“安装指南”中列出的要求，章节“深度学习和基于深度学习的方法的要求”。

包括深度学习的HALCON磁盘空间要求：

运行时间：3.2 GB(使用CUDA 10.2.89)。
运行时间：5.4 GB(使用CUDA 11.1.0)。
完整安装：20 GB。

具体设备的实现是否可用取决于方法和任务。深度学习模块的方法概述见表1，其他模块基于深度学习的方法见表2。

表1：深度学习的模型依赖

[1]: 除了aarch64和armv7a

[2]: 除了某些交付的模型，请参阅read_dl_model

表2：基于深度学习方法的方法依赖

深度学习和基于深度学习方法的应用程序，如深度OCR，可能会有进一步的需求，这取决于它们运行的设备(CPU或GPU)。

GPU应用程序：在GPU上运行深度学习和基于深度学习的应用程序时，需要额外的先决条件。表3列出了成功测试HALCON所需的其他先决条件。在有多个条目的情况下，必须使用相应的条目。

HALCON检查安装了哪个CUDA版本，并自动查找相应的子目录及其库。在Windows或Linux x64下，这些库分别在单独的安装程序或归档文件中提供。

在Linux aarch64下，这些库必须手动安装。

CPU应用程序：在运行深度学习以及基于深度学习的应用时，CPU支持表4所列的平台。

表3：GPU.[1]上深度学习应用的需求：安装NVIDIA JetPack 4.4

表4：CPU.[1]上深度学习应用的需求：异常检测除外

为了加快训练过程，我们建议在HALCON使用足够快的硬盘驱动器。因此，固态驱动器(SSD)比传统硬盘驱动器(HDD)更可取。