本文档介绍ImageNet1k和flowers102数据准备过程。数据集训练集大小测试集大小类别数备注flowers1021k6k102ImageNet1k1.2M50k1000

HALCON 20.11：深度学习笔记(5)---设置超参数HALCON 20.11.0.0中，实现了深度学习方法。关于超参数的有关设置内容如下：不同的DL方法被设计用于不同的任务，它们的构建方式也会有所不同。它们都有一个共同点，即在模型的训练过程中都面临着一个最小化问题。训练网络或子网络，一个目标是努力使适当的损失函数最小化，参见“网络和训练过程”一节。为此，有一组进一步的参数，这些参数是在开始

HALCON 20.11：深度学习笔记(8)---模型HALCON 20.11.0.0中，实现了深度学习方法。本章解释HALCON中深度学习(DL)模型的一般概念和数据处理。从概念上讲，HALCON中的深度学习模型是深度神经网络的内部表示。每个深度神经网络都有一个定义其功能的架构，即它可以用于的任务。对于一个功能可以有多个可能的网络架构。目前，HALCON模型实现了用于以下功能的网络：异常检测，参

PyTorch: 各种图像格式相互转化我们一般在PyTorch或者Python中处理的图像无非这几种格式：PIL：使用Python自带图像处理库读取出来的图片格式;numpy：使用python-opencv库读取出来的图片格式;tensor：pytorch中训练时所采取的向量格式（当然也可以说图片）.注意，本文所述图片格式皆为RGB三通道，24-bit真彩色，也就是我们平常使用的图片形式。下述代码

TensorFlow 2 Object Detection API 教程本教程针对的是TensorFlow 2.4，它是TensorFlow 2.x的最新稳定版本。这是一个循序渐进的教程/指南，设置和使用TensorFlow’s Object Detection API来执行，即在图像/视频中的对象检测。我们将在本教程中使用的软件工具如下表所示:OSWindows, LinuxPython3.8.

如果条件表达式中需要数字，但该表达式的计算结果为非数值，则 MSBuild 项目文件中会出现此错误。如果项目文件中出现此错误，请检查项目文件是否存在语法错误和其他问题。有关语法的帮助，请参阅。检查条件表达式中使用的属性（尤其是那些预期具有数值的属性）是否已使用正确的语法设置为数值。如果设置数值时出现问题，则也会生成此错误。根本原因可能是其他错误，例如安装问题。例如，如果在条件表达式中使用了已安装工

HALCON 20.11：深度学习笔记(9)---异常检测HALCON 20.11.0.0中，实现了深度学习方法。本章解释了如何使用基于深度学习的异常检测。通过异常检测，我们想要检测图像是否包含异常。异常指的是偏离常规的、未知的东西。异常检测的例子：输入图像的每个像素都被分配了一个值，该值表明该像素是异常的可能性有多大。蠕虫不是模型在训练中看到的无虫苹果的一部分，因此它的像素得到了更高的分数。一个

HALCON 21.11：深度学习笔记---对象检测, 实例分割(11)HALCON 21.11.0.0中，实现了深度学习方法。本章介绍了如何使用基于深度学习的对象检测。通过对象检测，我们希望在图像中找到不同的实例，并将它们分配给一个类。实例可以部分重叠，但仍然可以区分为不同的。下面的模式说明了这一点。对象检测的例子: 在输入图像中找到三个实例并分配给一个类实例分割是对象检测的一种特殊情况，在这种

HALCON 20.11：深度学习笔记(2)HALCON 20.11.0.0中，实现了深度学习方法。由于上面提到的DL方法在它们的作用和它们如何需要数据方面各不相同，所以您需要知道哪种方法最适合您的特定任务。一旦清楚了这一点，您就需要收集适当数量的数据，也就是图像和方法所需的信息。然后，所有这些DL方法都有一个通用工作流：1. 准备网络和数据（Prepare the Network and the

HALCON 21.11：深度学习笔记---网络和训练过程(4)HALCON 21.11.0.0中，实现了深度学习方法。关于网络和训练过程如下：在深度学习中，任务是通过网络发送输入图像来执行的。整个网络的输出由许多预测组成。例如，对于一个分类任务，预测会得到每个类的置信度，表示图像显示该类实例的可能性有多大。具体的网络会有所不同，特别是从一种方法到另一种方法。一些方法，如对象检测，使用子网络生成特