halcon|halcon 深度学习（一）（分类） linq|gnu|halcon|计算机视觉|p2p

分类识别系统下载地址：https://download.csdn.net/download/jbossjf/78056467

文章图片

*准备训练集 dev_update_off () *存放分类图片的上一级路径 RawImageFolder := 'D:/软件项目备份/halcon项目/深度学习分类/分类检测/' *存放预处理数据的总路径 ExampleDataDir:= 'D:/软件项目备份/halcon项目/深度学习分类/分类检测/class_data' *存放预处理数据的二级路径 DataDirectoryBaseName := ExampleDataDir + '/dldataset_pokeman' *默认参数,用来预处理数据集的 LabelSource := 'last_folder' * *分割数据集的百分比。 *训练集 TrainingPercent := 70 *验证集 ValidationPercent := 15 * * 用户想要输入的图像大小，可更改 ImageWidth := 900 ImageHeight := 500 ImageNumChannels := 3 * *用于图像预处理的其他参数。 NormalizationType := 'none' DomainHandling := 'full_domain' * *为了获得可复制的分割，我们设置了一个随机种子。 *这意味着重新运行脚本将导致DLDataset的相同拆分。 SeedRand := 42 *设置随机种子。 set_system ('seed_rand', SeedRand) * *使用过程read_dl_dataset_classification读取数据集。 *或者，您可以使用read_dict（）读取由MVTec深度学习工具创建的DLDataset字典。 read_dl_dataset_classification (RawImageFolder, LabelSource, DLDataset) *分割数据集 split_dl_dataset (DLDataset, TrainingPercent, ValidationPercent, []) *创建输出目录（如果尚不存在）。 file_exists (ExampleDataDir, FileExists) if (not FileExists) make_dir (ExampleDataDir) endif * *创建预处理参数。 create_dl_preprocess_param ('classification', ImageWidth, ImageHeight, ImageNumChannels, -127, 128, NormalizationType, DomainHandling, [], [], [], [], DLPreprocessParam) * *数据集目录，用于由preprocess_dl_dataset编写的任何输出。 DataDirectory := DataDirectoryBaseName + '_' + ImageWidth + 'x' + ImageHeight * *预处理数据集。这可能需要几秒钟。 create_dict (GenParam) set_dict_tuple (GenParam, 'overwrite_files', true) preprocess_dl_dataset (DLDataset, DataDirectory, DLPreprocessParam, GenParam, DLDatasetFileName) * *单独存储预处理参数以便使用，例如在推论过程中。 PreprocessParamFileBaseName := DataDirectory + '/dl_preprocess_param.hdict' write_dict (DLPreprocessParam, PreprocessParamFileBaseName, [], [])*打标签 *在进行培训之前，建议先检查预处理后的数据集。 * *显示10个随机选择的火车图像的DLSamples。 get_dict_tuple (DLDataset, 'samples', DatasetSamples) find_dl_samples (DatasetSamples, 'split', 'train', 'match', SampleIndices) tuple_shuffle (SampleIndices, ShuffledIndices) read_dl_samples (DLDataset, ShuffledIndices[0:9], DLSampleBatchDisplay) * create_dict (WindowHandleDict) for Index := 0 to |DLSampleBatchDisplay| - 1 by 1 *在DLSampleBatchDisplay中循环采样。 dev_display_dl_data (DLSampleBatchDisplay[Index], [], DLDataset, 'classification_ground_truth', [], WindowHandleDict) Text := 'Press Run (F5) to continue' dev_disp_text (Text, 'window', 'bottom', 'right', 'black', [], []) stop () endfor * * 关闭窗口，数据预处理完成 dev_close_window_dict (WindowHandleDict) stop()*训练模型 *预处理后的文件路径 DLDatasetFileName := DataDirectory+'/dl_dataset.hdict' *预处理的参数文件路径 DLPreprocessParamFileName := DataDirectory + '/dl_preprocess_param.hdict' *最佳评估模型的输出路径。 BestModelBaseName := ExampleDataDir + '/best_dl_model_classification' *最终训练模型的输出路径。 FinalModelBaseName := ExampleDataDir + '/final_dl_model_classification' * Batch size. BatchSize := 2 *学习率 InitialLearningRate := 0.0001 *如果批量小，动量应高。 Momentum := 0.9 * train_dl_model使用的参数。 *训练模型的时迭代次数。 NumEpochs := 20 *评估间隔（以时期计），以计算验证拆分上的评估度量。每迭代一次验证一次 EvaluationIntervalEpochs := 1 *在以下时期更改学习率，例如 [4、8、12]。 *如果不应该改变学习率，则将其设置为[]。 ChangeLearningRateEpochs := [] *将学习率更改为以下值，例如 InitialLearningRate * [0.1，0.01，0.001]。 *元组的长度必须与ChangeLearningRateEpochs相同。 ChangeLearningRateValues := InitialLearningRate * [0.1,0.01,0.001] *事先设定权重。 WeightPrior := 0.0005 *控制是否显示训练进度（是/否）。 DisplayEvaluation := true *设置一个随机的种子进行训练。 RandomSeed := 42 *设置create_dl_train_param的通用参数。 *请参阅create_dl_train_param的文档以获取所有可用参数的概述。 GenParamName := [] GenParamValue := [] *扩充参数。 *如果在训练过程中应增加样本，请创建extend_dl_samples所需的字典。 *在这里，我们设置增强百分比和方法。 *create_dict (AugmentationParam) *要增加的样本百分比。 *set_dict_tuple (AugmentationParam, 'augmentation_percentage', 50) *沿行和列镜像。 *set_dict_tuple (AugmentationParam, 'mirror', 'rc') *GenParamName := [GenParamName,'augment'] *GenParamValue := [GenParamValue,AugmentationParam] *更改策略。 *在训练过程中可以更改模型参数。 *在这里，如果上面指定了，我们将更改学习率。 if (|ChangeLearningRateEpochs| > 0) create_dict (ChangeStrategy) * Specify the model parameter to be changed, here the learning rate. set_dict_tuple (ChangeStrategy, 'model_param', 'learning_rate') * Start the parameter value at 'initial_value'. set_dict_tuple (ChangeStrategy, 'initial_value', InitialLearningRate) * Reduce the learning rate in the following epochs. set_dict_tuple (ChangeStrategy, 'epochs', ChangeLearningRateEpochs) * Reduce the learning rate to the following values. set_dict_tuple (ChangeStrategy, 'values', ChangeLearningRateValues) * Collect all change strategies as input. GenParamName := [GenParamName,'change'] GenParamValue := [GenParamValue,ChangeStrategy] endif * *序列化策略。 *有多种选项可用于将中间模型保存到磁盘（请参见create_dl_train_param）。 *在这里，我们将最佳模型和最终模型保存到上面设置的路径中。 create_dict (SerializationStrategy) set_dict_tuple (SerializationStrategy, 'type', 'best') set_dict_tuple (SerializationStrategy, 'basename', BestModelBaseName) GenParamName := [GenParamName,'serialize'] GenParamValue := [GenParamValue,SerializationStrategy] create_dict (SerializationStrategy) set_dict_tuple (SerializationStrategy, 'type', 'final') set_dict_tuple (SerializationStrategy, 'basename', FinalModelBaseName) GenParamName := [GenParamName,'serialize'] GenParamValue := [GenParamValue,SerializationStrategy] * *显示参数。 *在此示例中，选择了20％的训练分组以显示 *评估在训练过程中减少训练次数的评估措施。较低的百分比 *有助于加快评估/培训。如果评估措施用于培训分裂 *不会显示，将此值设置为0（默认值）。 *SelectedPercentageTrainSamples := 15 *create_dict (DisplayParam) *set_dict_tuple (DisplayParam, 'selected_percentage_train_samples', SelectedPercentageTrainSamples) *GenParamName := [GenParamName,'display'] *GenParamValue := [GenParamValue,DisplayParam] *检查是否所有必需的文件都存在。 *check_data_availability (ExampleDataDir, DLDatasetFileName, DLPreprocessParamFileName) * *读入在预处理过程中初始化的模型。也就是读取神经网络模型，halcon自带的 read_dl_model ('pretrained_dl_classifier_compact.hdl', DLModelHandle) *读取预处理后的图片DLDataset文件。 read_dict (DLDatasetFileName, [], [], DLDataset) *按照上述设置指定模型超参数。 set_dl_model_param (DLModelHandle, 'learning_rate', InitialLearningRate) set_dl_model_param (DLModelHandle, 'momentum', Momentum) *设置模型的类名。 get_dict_tuple (DLDataset, 'class_names', ClassNames) set_dl_model_param (DLModelHandle, 'class_names', ClassNames) *从预处理参数获取图像尺寸并为模型设置它们。 read_dict (DLPreprocessParamFileName, [], [], DLPreprocessParam) get_dict_tuple (DLPreprocessParam, 'image_width', ImageWidth) get_dict_tuple (DLPreprocessParam, 'image_height', ImageHeight) get_dict_tuple (DLPreprocessParam, 'image_num_channels', ImageNumChannels) *设置输入模型的图片大小和维度 set_dl_model_param (DLModelHandle, 'image_dimensions', [ImageWidth,ImageHeight,ImageNumChannels]) if (BatchSize == 'maximum') set_dl_model_param_max_gpu_batch_size (DLModelHandle, 100) else set_dl_model_param (DLModelHandle, 'batch_size', BatchSize) endif if (|WeightPrior| > 0) set_dl_model_param (DLModelHandle, 'weight_prior', WeightPrior) endif set_dl_model_param (DLModelHandle, 'runtime_init', 'immediately') stop() *创建训练参数。有超参数的传入GenParamName、GenParamValue create_dl_train_param (DLModelHandle, NumEpochs, EvaluationIntervalEpochs, DisplayEvaluation, RandomSeed, GenParamName, GenParamValue, TrainParam) *create_dl_train_param (DLModelHandle, NumEpochs, EvaluationIntervalEpochs, DisplayEvaluation, RandomSeed, [], [], TrainParam) * *以下过程中的train_dl_model_batch（）。 train_dl_model (DLDataset, DLModelHandle, TrainParam, 0, TrainResults, TrainInfos, EvaluationInfos) stop() * Close training windows. dev_close_window ()*评估模型 *******************************************************************评估**************************************************** *创建字典 create_dict (GenParamEval) *设置参数 set_dict_tuple (GenParamEval, 'class_names_to_evaluate', 'global') set_dict_tuple (GenParamEval, 'measures', ['top1_error','precision','recall','f_score','absolute_confusion_matrix']) * Evaluate the trained model. evaluate_dl_model (DLDataset, DLModelHandle, 'split', 'test', GenParamEval, EvaluationResult, EvalParams) * create_dict (EvalDisplayMode) set_dict_tuple (EvalDisplayMode, 'display_mode', ['measures','pie_charts_precision','pie_charts_recall','absolute_confusion_matrix']) create_dict (WindowDict) dev_display_classification_evaluation (EvaluationResult, EvalParams, EvalDisplayMode, WindowDict) dev_disp_text ('Press F5 to continue', 'window', 'bottom', 'right', 'black', [], []) stop () dev_close_window_dict (WindowDict)BestModelBaseName := 'D:/软件项目备份/halcon项目/深度学习分类/分类检测/class_data/best_dl_model_classification.hdl' *读取保存好的最佳模型 read_dl_model (BestModelBaseName, DLModelHandle) *读取预处理的参数 read_dict ('D:/软件项目备份/halcon项目/深度学习分类/分类检测/class_data/dldataset_pokeman_900x500/dl_preprocess_param.hdict', [], [], DLPreprocessParam) get_dict_tuple (DLPreprocessParam, 'image_width', ImageWidth) get_dict_tuple (DLPreprocessParam, 'image_height', ImageHeight) get_dict_tuple (DLPreprocessParam, 'image_num_channels', ImageNumChannels) *create_dict (WindowDict) dev_open_window (0, 0, 900, 512, 'black', WindowHandle) * Image Acquisition 01: Code generated by Image Acquisition 01 list_files ('D:/软件项目备份/halcon项目/深度学习分类/分类检测/苹果', ['files','follow_links'], ImageFiles) tuple_regexp_select (ImageFiles, ['\\.(tif|tiff|gif|bmp|jpg|jpeg|jp2|png|pcx|pgm|ppm|pbm|xwd|ima|hobj)$','ignore_case'], ImageFiles) for Index := 0 to |ImageFiles| - 1 by 1 read_image (Image, ImageFiles[Index]) dev_display (Image) * 处理图片 gen_dl_samples_from_images (Image, DLSample) preprocess_dl_samples (DLSample, DLPreprocessParam) *喂给模型 apply_dl_model (DLModelHandle, DLSample, [], DLResult) *得到预判结果 get_dict_tuple (DLResult, 'classification_class_names', Tuple) predictionname:=Tuple[0] *显示预测的类型 disp_message (WindowHandle, predictionname, 'window', 12, 12, 'black', 'true') *dev_display_dl_data (DLSample, DLResult, DLDataset, 'classification_result', [], WindowDict) stop() endfor