海康深度学习软件使用
1 数据集建立和标注
新建数据集
打开Vision Train 2.2.0，自定义数据集名称和本地保存数据集的路径，选择需要的训练类型，然后点击新建
数据导入
点击新建后的界面左侧，可以导入需要标注和训练的图像数据
数据标注
固定形状标注区域：
多边形标注：
画笔涂抹标注区域：
自定义标注标签：
2 数据训练及测试
划分训练集和测试集
VisionTrain内的数据集划分是划分的测试集，非训练集
设置训练参数
3 训练结果评估
4 检测流程构建
5 范例
数据集
数据集本地路径：
E:\dataset\Avary\ava_frontv1
数据集名称：
ava_frontv1
测试集划分情况
训练集：133 测试集 55 训练集占比：71%
原图分辨率：2700*2600
原图大小：180KB~200KB
| 标签类别 | 训练 | 测试 | 合计 |
|---|---|---|---|
| 1 | 192 | 75 | 267 |
| 2 | 46 | 20 | 66 |
| 3 | 19 | 11 | 30 |
| 4 | 24 | 8 | 32 |
| 5 | 77 | 33 | 110 |
| OK | 1 | 0 | 1 |
| 合计 | 359 | 147 | 506 |
训练参数
训练集：133 测试集 55 训练集占比：71%
原图分辨率：2700*2600
原图大小：180KB~200KB
日期：202407311623
GPU:Nvidia RTX A2000
显存：6GB
模型生成位置：E:\dataset\Avary\ava_frontv1\models
模型名称：20240730T1616175396
目标平台：VM平台
版本：VM-GPU
VM版本：VM440
训练类型：单图像分割
模型能力：中
批大小：4
自动超参：不启用
图像通道数：3
类别均衡：不启用
图像裁剪尺寸：不裁剪
缺陷类型：常规
迭代轮次：300
是否大图：否
多分类输出优化：关闭
数据增强策略：默认配置
预估训练时长：
6 优缺点总结
优点
- 现有UI界面，集数据标注、模型训练、模型测试、模型检测于一体。
- 可输出模型并可结合C#等二次开发窗口，直接在自定义界面展示VisionMaster的测试流程结果。
- VisionMaster可组合流程多。
缺点
- 模型量少，只有小、中、大三种模型能力，且无法自定义调整
- 数据标注不能将原图、标注文件、标注掩膜自动分开保存
- 数据集划分只有训练集和测试集，不包括验证集
- 训练可视化结果过于简洁
- 训练过程中无法将每个epoch和iteration的loss等结果实时动态输出
