摘要：一：硬件环境深度学习模块训练运算量较大，依赖GPU进行加速，硬件需独立显卡支撑，目前训练只支持英伟达核心 显卡。显卡硬件配置越高，训练及预测耗时越短。1，模型训练： 本地训练a) 6G及以上显存 DL单字符识别训练实现显存自适应，能根据硬...
一：硬件环境
深度学习模块训练运算量较大，依赖GPU进行加速，硬件需独立显卡支撑，目前训练只支持英伟达核心 显卡。显卡硬件配置越高，训练及预测耗时越短。
1，模型训练：
本地训练
a) 6G及以上显存 DL单字符识别训练实现显存自适应，能根据硬件配置自动分配训 练显存，从耗时等综合因素考虑推荐采用6G及以上显存显卡训练,如GTX
1660Super,RTX 2080,RTX 3070等
b) 需去英伟达显卡驱动官网（
https://www.nvidia.cn/geforce/drivers/）, 根据电脑显卡型号下载451.22版本以上驱动
c) VisionTrain1.4（
VM4.0）版本已支持30系列显卡训练（预测），以前版本不支持
支持萤石云服务器训练
支持本地云服务器训练
2，系统运行：
支持GPU版本检测 （需2G及以上显存。单DL模块2G显存可以满足，多DL流程或单流程 多 DL模块需更大的显存）
支持CPU版本检测 （效果与GPU版本一致，检测耗时会比GPU版本长）
预测图像分辨率不小于64*64
若显卡配置符合条件，发现无法进行训练或预测，则需检查显卡驱动，要求安装451.22版本以上显卡 驱动（显卡驱动的要求和显卡本身以及VM的版本有关）
二：适用场景
DL目标检测是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，具备准确 性和实时性。尤其是在复杂场景中，可对多个目标进行实时处理，自动提取和识别目标，适用于物体的 识别、定位、分类等。目标检测要求目标最小像素占比在 2.5%以上，例：图片宽度为1280，则最小 目标要求占比≥32（1280*2.5%）像素。
三：DL 目标检测训练和测试
一）深度学习目标检测-模型训练：
1）打开 VisionTrain1.4.0训练工具
2）PC端：选择目标平台->VM平台（VM 平台训练的模型用于VM4.0.0 软件，SC 平台训练的模型用 于 SC 系列智能相机），选择训练类型->目标检测，点击下一步。
3）点击“新建训练集”，创建或选择训练样本，训练样本的绝对路径应当不包含空格（·注：将样本图片放在一个文件夹中，便于后期增加样本以丰富训练集，训练集图片数量不能少于11张。）。其中标定保存是在标定过程中，保存标定文件，建议经常性使用。而预标定通常是模型已经生成，在加入新样本的时，通过先前的模型预测样本标签，提升打标的速度。
4）进入标定界面
①左边到特定场景的图像时，在右边图像标签值中输入对应的标签，完成一张的标定后进入下一张。
②标注样本的数量根据实际项目需求与场景复杂度而定。若较为简单的场景可以先标注50张样本进行测试。样本最好能有代表性，覆盖目标会出现的大部分情况。
③若目标为规则物体，则使用矩形标定工具，框住需要识别的目标，要求标注最小外接矩形框，紧贴目标边缘标注，包围整个目标。若目标为不规则物体，则使用多边形标定工具。
④要求最少标定11张，否则无法点击下一步进行保存，标注过程中应经常性的点击标定保存，防止标
定数据消失。其中预标定功能通常是模型已经生成，在加入新样本的时，通过先前的模型预测样本标签,提升打标的速度。
以药盒为例，以下举例了一些标注正确与错误的示范： 1.标签需包含目标整个部分，不能将部分特征遗漏。
2.标签需紧贴目标边缘，若为不规则物体，可以使用多边形标定工具。
3.标签可以标出图片外，训练时只训练在图片里面那部分。
4.肉眼难观察的样本，一定不能漏标注，最终模型性能主要体现在这种类型目标的检测效果上，漏标 会严重影响模型性能。
（1）配置训练参数和训练
选择类型：本地训练-依赖本机显卡训练；云服务器训练-使用萤石云进行训练；本地服务器训练
在本地架设的服务器上训练。
迭代轮次：算法内部称为Epoch，一轮就是将所有训练样本训练一次的过程。增大迭代伦次可以增 加训练的迭代次数。参数根据图片数量设置。30张设置700轮。100张设置500轮。500张设置
200轮。1000张设置150轮。5000张设置100轮。10000张设置60轮。100000张设置50轮。若 训练过程中曲线任有明显的下降趋势，可以暂停训练增大迭代轮次。
基础学习率：更新参数时前进的步长。一般按默认值1设置，不需改动。
Patch大小：训练过程中，输入神经网络的图像尺寸。有大中小可供选择，对应的缩放分辨率为
608，416，288。目标占图片比例小则推荐选择大patch，占比大则可选择中或小patch。为了 保证效果建议选择大Patch。
模型能力：处理复杂图片的能力，有普通和高精度两种模式选择。普通训练、检测速度更快，消耗 的显存资源更小。高精度检测效果更加精确， 但资源消耗大。小目标、精度要求高推荐使用高精 度模式，大目标、精度要求较低推荐使用普通模式。 为了保证效果建议选择高精度。
角度能力：开启后可预测目标是否发生倾斜，检测框会随着目标角度而旋转。若不开启检测框呈0° 的矩形框。
版本：目前提供VM320、VM330、VM340、VM400四个版本模型训练。VM340版本模型能在VM3.4
及更高的VM版本如VM4.0上使用，VM400版本模型只能在VM4.0及更高的VM版本使用。
是否剪枝：开启剪枝使能后，能设置剪枝比例。根据设置的比例减小模型大小，缩短检测耗时，同 时也会损失一定的检测精度与增加训练耗时。若节拍满足不建议开启。
是否增强：开启增强使能后，可设置数据增强参数。可进行HSV空间变换、镜像、画布扩大、裁剪、 仿射变换、噪声这六类数据增强的操作。具体设置见“数据增强白皮书”。
模型生成位置：模型默认保存在VisionTrain1.4.0ApplicationsDeepLearningModel里， 建议修改路径。
Patch设置、模型能力设置参考：
（2）训练过程
参数设置完成后点击开始训练进行训练模型。 6.1 本地训练过程
依赖本地电脑显卡进行训练，若在测试中发现会出现误识别、漏识别与多识别的情况，可以尝试增 加训练样本、增大迭代轮次。
默认保存位置为：VisionTrain1.4.0ApplicationsDeepLearningMode 。确定好模型名 称后点击开始训练，随着迭代次数的增加，训练误差会越来越小，最后趋于平缓。当训练完成后点击结束 训练，在指定的文件夹位置会生成一个.bin 文件，该文件则是深度学习网络训练后得到的模型文件。 6.2 云服务器训练过程
暂不支持VM4.0.0版本的云服务训练，需切换为VM3.4.0。参数设置完成后点击开始训练，会显示 “训练集上传中”，在桌面生成一个训练集压缩包，上传完成后进行云训练，在提示时间内完成训练后会 在对应位置生成模型。
6.3 本地服务器训练过程
由我司专业人员通过组装性能极强的硬件设备，安装ubuntu系统、GPU训练所需驱动以及nvidia docker，并部署其他必须组件，帮助客户完成本地服务器的搭建。选择训练类型为本地服务器训练，训 练流程与6.2相同。
二）深度学习目标检测-模型测试
（1）打开VisionMaster4.0.0，使用深度学习目标检测模块进行模型效果测试，将推演预测错误的图 片统一保存至训练集中，使用VisionTrain1.4.0重新标注之后，重新进行模型训练，此方法增加了样12本容量，也是模型优化最直接有效的方式。·注：若效果不满足预期，可联系对应销售或技术进行技术指 导，优化模型。
在VisionMaster4.0.0中拉出一个图像源模块，点击右下角的 或 将需要测试图片放入模块中。
（2）模块参数说明
DL目标检测G/C：其后缀的G/C代表以GPU或CPU进行预测。
模型文件路径 ：选择之前VisionTrain1.4.0训练生成的模型文件
方案存模型：在进行方案保存时是否保存当前加载的模型，默认关闭，打开后保存的方案文件 2.
大小变大，包含模型文件。
最大查找个数 ：目标检测的最大查找目标个数
最小置信度 ：定位框的最小得分
最大重叠率：目标图像允许被遮挡的最大比例
目标排序： 有按中心点 X/Y 坐标排序、按置信度排序
边缘过滤使能： 1. 开启使能可设置最小边缘分数，若查找目标在边缘内的部分占整体的比例小于最小边缘分数，
则舍去该查找目标，界面端不做显示，如图一所示； 2. 关闭使能后位于边缘处的目标均可被显示，如图二所示；
角度使能 ： 设置目标的相对角度范围忍值，若要搜索有旋转变化的目标则需要对应设置，默认范 围-180°~180°。
宽度/高度使能 ：宽度/高度在该范围内的目标才可能被检测到
四：系统运行过程中继续添加样本的方法
在系统运行过程中，通常训练的模型不能一次到位，适用于所有的场景，需要在运行过程中不断添 加样本，增强模型的鲁棒性。方法是： 1. 之前训练集（包括原图和DetectTrainData.txt文件）不能删除，新采集或模型误检的原图 样本应放到之前的样本中去。
