halcon深度学习总结（二）

 

一、模型的特点及选用

A、 当前使用的halcon版本为19.12，可用于分类的模型有以下几种

①    pretrained_dl_classifier_alexnet.hdl

②    pretrained_dl_classifier_compact.hdl

③    pretrained_dl_classifier_enhanced.hdl

④    pretrained_dl_classifier_resnet50.hdl

B、 以上总共有四种模型，每一种模型对应不同的预训练网络。每一种模型都有各自的特点。当前根据我们在M7000上对比测试的效果来看，我们选用第四种预训练模型的基础上训练出来的总体检测效果最佳。

C、 第二种模型为迷你型分类网络，该网络的特点是节省内存及运行效率高。网络没有全连接层。图像尺寸不能低于15*15。

D、第三种模型为增强型网络模型，含有更多的隐含层。相比于迷你型网络需要更多的内存及其它资源，含有全连接层。图片大小不能小于47*47。

E、 第四种模型，其网络比其它类型的预训练网络更加复杂，对于复杂类型的分类任务，其鲁棒性和稳定性要更好。图像不能小于32*32。

 

二、超参数及其设置

A、 超参数的分类：网络参数、优化参数、正则化参数

①    网络参数：可指网络层与层之间的交互方式（相加、相乘或者串接等）、卷积核数量和卷积核尺寸、网络层数（也称深度）和激活函数等。

②    优化参数：一般指学习率（learning rate）、批样本数量（batch size）、不同优化器的参数以及部分损失函数的可调参数。

③    正则化参数：权重衰减系数，丢弃法比率（dropout）。

B、 超参数的重要性顺序：

①    学习率及损失函数可调参数。

②    批样本数量及动量参数的设置。

③    Adam优化器的超参数、权重衰减系数、丢弃法比率（dropout）和网络参数。

C、 超参数详细分类

 

D、当前经测试得出的较优参数配置：

①    学习率为0.001

②    批处理大小最大只能设置到18，当前显卡RTX2080。

③    动量参数设置为0.9

④    NumEpochs 为100~128

 

三、图像大小与缩放

图像的缩放对最终模型的训练结果有较大影响，因图片最大的图片不超过400*400，因此图像缩放后有很多细节部分被丢弃，导致训练出来的模型整体稳定性较差，误报及漏报均较高。因此需要注意图像的缩放问题。

 

四、图像训练使用的NG图片数量与OK图片数量。

①    图片的挑选必须按照一定的规则进行，OK图片与NG图片不能混杂，否则训练出来的模型会预测混乱。

②    OK图片与NG图片的数量根据当前的情况分析大约在5:1的情况下表现较好。（对于这个比例问题后续还需要做更多的验证）