2202_75557553的博客

深度学习语义分割在多个领域有广泛应用，随着技术进步，其精度和效率将持续提升。

深度学习在目标检测领域的进展极大地推动了计算机视觉的发展，两阶段方法和单阶段方法各有优劣，未来随着技术的进步，目标检测将在更多实际场景中得到应用。

在深度学习推理应用阶段涉及的预热通常是指GPU预热，GPU在不用的时候是低功耗状态，它会把有些高性能的功能暂时关闭或降低性能，这时候如果把模型放上面处理，能明显感觉到有点慢，甚至从点击程序运行以后要等个几秒钟才出结果，因为这个阶段GPU要完成很多初始化工作.

深度学习之推断应用部分可以借鉴案例程序（深度学习（目标检测）：dl_detection_workflow.hdev）DLPreprocessParam ：预处理数据参数。DLModelHandle：深度学习模型。DLDataset：数据集。异常解析：InputImageDir：图片路径。3：可视化准备工作，字典及其参数。常识：下划线为红线部分为异常部分。2：将元组中的元素随机排序。6：根据预处理参数处理图像。7：给训练的模型执行推断。1：读取待检测文件夹。4：随机读取一张图像。

神经网络中的参数有：神经网络的参数（权重和偏置）、神经网络的超参数（1.学习率 η，2. 正则化参数 λ，3. 神经网络的层数 L，4. 每一个隐层中神经元的个数 j，5. 学习的回合数Epoch，6. 小批量数据 minibatch 的大小，7. 输出神经元的编码方式，8. 代价函数的选择，9. 权重初始化的方法，10. 神经元激活函数的种类，11.参加训练模型数据的规模）。训练集（train set）：训练集在我们的模型过程中起的作用就是更新模型的参数（权重和偏置），用以获得更好的性能。

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。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’。该网络期望图像是该类型的。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。

5、训练时拍摄的图像与检测时拍摄的图像。相机位置、光照条件、图像尺寸要一致不变。4、推断 Halcon。标注拆分阶段必须包含OK、good文件夹。4、如果使用本地网络 图片不低于10张。调整分类、分割阈值均可影响评估测试结果。2、训练 DL。3、评估 DL。2、缺陷明显，很少发生，难以预测。3、合格图像不低于100张。训练参数设置会影响训练效果。本地网络 结构异常。全局网络 逻辑异常。1、只需要训练合格产品。1、数据标注， DL。

1，准备素材（写一段代码将疑似缺陷部分进行自动切割，手动分类OK/NG）③生成检测区域（外部风险/内部非风险）④Blob分析划分疑似缺陷区域。②四点定位（并行处理）