网站创建方案,wordpress站内301,网页设计与制作模板免费,威海北京网站建设HALCON为分类和语义分割提供了预训练的神经网络。当训练自定义网络时#xff0c;这些神经网络是很好的起点。它们已经在一个大型图像数据集上进行了预训练。对于异常检测#xff0c;HALCON提供了初始模型。 用于 3D 抓取点检测的模型 为 3D 抓取点检测提供了以下网络#xf… HALCON为分类和语义分割提供了预训练的神经网络。当训练自定义网络时这些神经网络是很好的起点。它们已经在一个大型图像数据集上进行了预训练。对于异常检测HALCON提供了初始模型。 用于 3D 抓取点检测的模型 为 3D 抓取点检测提供了以下网络 pretrained_dl_3d_gripping_point.hdl 网络最多需要 5 个类型的图像 real image强度灰度值图像 xX 图像值需要从左到右增加 yY 图像值需要从上到下增加 ‘z’ z图像(值需要从靠近传感器的点增加到远点例如如果数据是在相机坐标系中给出的情况) normals2D 映射 此外网络需要某些图像属性对于上面提到的所有输入图像。可以使用get_dl_model_param检索相应的值。默认值 “image_width”: 640 “image_height”: 480 网络架构允许对图像尺寸进行更改。 异常检测模型 异常检测主要检测数据中的离群点异常数据的特征值与正常数据的特征值距离较远。 提供了以下网络用于异常检测 initial_dl_anomaly_medium.hdl 此神经网络旨在提高内存和运行时效率。 网络期望图像是这种类型的。此外网络需要某些图像属性。可以使用realget_dl_model_param检索相应的值。默认值 “image_width”:480 “image_height”: 480 “image_num_channels”: 3 “image_range_min”: -2 “image_range_max”: 2 网络架构允许更改图像尺寸但是‘image_width’和‘image_height’的大小必须是32像素的倍数因此最少为32像素 initial_dl_anomaly_large.hdl 这种神经网络被认为更适合于更复杂的异常检测任务。这样做的代价是需要更多的时间和内存。 网络期望图像是这种类型的。此外网络需要某些图像属性。可以使用realget_dl_model_param检索相应的值。默认值 “image_width”: 480 “image_height”: 480 “image_num_channels”: 3 “image_range_min”: -2 “image_range_max”: 2 网络架构允许更改图像尺寸但是‘image_width’和‘image_height’的大小必须是32像素的倍数因此最少为32像素。 全局上下文异常检测模型 “全局上下文异常值检测”是一种独一无二的技术能够“理解”整个图像的逻辑内容。 与 HALCON 先前异常值检测功能一样新的“全局上下文异常检测”只需要训练无缺陷图像无需数据标记。 这项技术可以检测组件缺失、变形或者排布错位等异常在半导体生产中的印刷电路板检测场景、印刷痕迹的检测场景也有非常优秀的表现。 为全局上下文异常检测提供了以下网络 “pretrained_dl_anomaly_global_context.hdl” 网络期望图像是这种类型的。此外网络需要某些图像属性。可以使用realget_dl_model_param检索相应的值。默认值 “image_width”:256 “image_height”:256 “image_num_channels”:3 “image_range_min”:-127.0 “image_range_max”:128.0 分类模型 提供以下预训练神经网络用于分类并可作为检测的骨干 pretrained_dl_classifier_alexnet.hdl: 这个神经网络是为简单的分类任务而设计的。它的特点是第一层卷积核比其他具有类似分类性能的网络例如pretrained_dl_classifier_compact.hdl中的卷积核要大。这可能有利于特征提取。 此分类器期望图像属于该类型。此外该网络是为某些图像属性设计的。可以使用realget_dl_model_param检索相应的值。默认值 “image_width”: 224 “image_height”: 224 “image_num_channels”: 3 “image_range_min”: -127.0 “image_range_max”: 128.0 网络架构允许对图像尺寸进行更改。‘image_width’和‘image_height’不应小于29像素。没有最大图像大小限制但是大的图像大小会显著增加内存需求和运行时间。改变图像大小将重新初始化完全连接层的权重因此需要重新训练。 请注意可以通过融合卷积层和ReLU层来改善该网络的运行时间参见set_dl_model_param和参数‘fuse_conv_relu’。 “pretrained_dl_classifier_compact.hdl”: 这种神经网络被设计成具有更高的内存和运行效率。 分类器期望图像属于该类型。此外网络需要某些图像属性。可以使用realget_dl_model_param检索相应的值。默认值 “image_width”:224 “image_height”:224 “image_num_channels”:3 “image_range_min”:-127.0 “image_range_max”:128.0 该网络不包含任何完全连接的层。网络架构允许对图像尺寸进行更改。‘image_width’和‘image_height’不应小于15像素。 “pretrained_dl_classifier_enhanced.hdl”: 这个神经网络比pretrained_dl_classifier_compact有更多的隐藏层。因此被认为更适合于更复杂的分类任务。这样做的代价是需要更多的时间和内存。 分类器期望图像属于该类型。此外网络需要某些图像属性。可以使用realget_dl_model_param检索相应的值。默认值 “image_width”:224 “image_height”:224 “image_num_channels”:3 “image_range_min”:-127.0 “image_range_max”:128.0 网络架构允许对图像尺寸进行更改。‘image_width’和‘image_height’不应小于47像素。没有最大图像大小限制但是大的图像大小会显著增加内存需求和运行时间。改变图像大小将重新初始化完全连接层的权重因此需要重新训练。 pretrained_dl_classifier_mobilenet_v2.hdl: 这个分类器是一个小而低功耗的模型因为什么原因它更适合于移动和嵌入式视觉应用。 分类器期望图像属于该类型。此外网络需要某些图像属性。可以使用realget_dl_model_param检索相应的值。默认值 “image_width”:224 “image_height”:224 “image_num_channels”:3 “image_range_min”:-127.0 “image_range_max”:128.0 网络架构允许对图像尺寸进行更改。‘image_width’和‘image_height’不应小于32像素。没有最大图像大小限制但是大的图像大小会显著增加内存需求和运行时间。 在GPU上网络架构可以从特殊的优化中受益匪浅没有这些优化网络就会明显变慢。 pretrained_dl_classifier_resnet18.hdl: 随着神经网络pretrained_dl_classifier_enhanced。这个分类器适用于更复杂的任务。然而由于其特殊的结构它提供了使训练更稳定和内部更鲁棒的优势。与神经网络pretrained_dl_classifier_resnet50相比。它不那么复杂推理时间也更快。 分类器期望图像属于该类型。此外网络需要某些图像属性。可以使用realget_dl_model_param检索相应的值。默认值 “image_width”:224 “image_height”:224 “image_num_channels”:3 “image_range_min”:-127.0 “image_range_max”:128.0 网络架构允许对图像尺寸进行更改。‘image_width’和‘image_height’不应小于32像素。没有最大图像大小限制但是大的图像大小会显著增加内存需求和运行时间。尽管是完全连接层图像大小的改变并不会导致权重的重新初始化。 pretrained_dl_classifier_resnet50.hdl: 随着神经网络pretrained_dl_classifier_enhanced。这个分类器适用于更复杂的任务。然而由于其特殊的结构它提供了使训练更稳定和内部更鲁棒的优势。 分类器期望图像属于该类型。此外网络需要某些图像属性。可以使用realget_dl_model_param检索相应的值。默认值 “image_width”:224 “image_height”:224 “image_num_channels”:3 “image_range_min”:-127.0 “image_range_max”:128.0 网络架构允许对图像尺寸进行更改。‘image_width’和‘image_height’不应小于32像素。没有最大图像大小限制但是大的图像大小会显著增加内存需求和运行时间。尽管是完全连接层图像大小的改变并不会导致权重的重新初始化。 语义分割模型 语义分割结合了图像分类、目标检测和图像分割通过一定的方法将图像分割成具有一定语义含义的区域块并识别出每个区域块的语义类别实现从底层到高层的语义推理过程最终得到一幅具有逐像素语义标注的分割图像。 以下预训练神经网络用于语义 分割 pretrained_dl_edge_extractor.hdl: 该神经网络是为边缘提取而设计和预训练的。因此该模型适用于两类问题一类用于边缘一类用于背景。 该网络期望图像是该类型的。此外该网络是为某些图像属性设计的。可以使用realget_dl_model_param检索相应的值。默认值 “image_width”:512 “image_height”:512 “image_num_channels”:1 “image_range_min”:-127.0 “image_range_max”:128.0 “num_classes”:2 网络架构允许更改图像尺寸但是‘image_width’和‘image_height’的大小必须是16像素的倍数因此最少为16像素。 “pretrained_dl_segmentation_compact.hdl”: 该神经网络设计用于处理具有详细结构的分割任务并且仅使用少量内存并且运行时效率高。 网络架构允许更改图像尺寸但要求最小的“image_width”和“image_height”为21像素。 “pretrained_dl_segmentation_enhanced.hdl”: 这个神经网络比pretrained_dl_segmentation_compact有更多的隐藏层。因此更适合于包括更复杂场景在内的分割任务。 网络架构允许更改图像尺寸但要求最小的image_width和image_height为47像素。 Deep OCR 模型 为 Deep OCR 提供了以下预训练神经网络 pretrained_deep_ocr_recognition.hdl: 该神经网络是深度OCR模型的预训练识别组件。它被设计用来识别被裁剪成单个单词的图像上的单词。这是深度OCR的识别部分可以再训练。 该网络期望图像是该类型的。此外该网络是为某些图像属性设计的。可以使用realget_dl_model_param检索相应的值。默认值 “image_width”:120 “image_height”:32 “image_num_channels”:1 “image_range_min”:-1.0 “image_range_max”:1.0 网络架构允许改变图像宽度‘image_width’。图像高度‘image_height’不能更改。参数‘image_width’非常重要它的值可以减少或增加以适应单词的预期长度例如由于每个字符的平均宽度。更大的image_width将消耗更多的时间和内存资源。图像宽度‘image_width’可以在训练后更改。
