halcon的深度学习工具，halcon基础

文章目录一览

• 1、Halcon deep learning之目标检测笔记（二）
• 2、性能优化——使用多线程加速Halcon深度学习算子
• 3、halcon深度学习需要单独购买吗?

Halcon deep learning之目标检测笔记（二）

在上一步，完成了网络的创建和数据的预处理。接下来准备对这个网络进行训练，通过训练得到一个可以用于目标检测的深度学习网络模型。这里首先要确定上一步输出的模型和数据集的存放路径是可用的，否则训练环节会因为缺少输入而报错。

Halcon的参考样例detect_pills_deep_learning_2_train.hdev详述了这一过程，这里做一些学习记录。

设置输入路径，主要是两个，一是上一步的预训练的以.hdl结尾的模型，另一个是数据集和样本数据字典的存放路径。

输出路径也是两个，一是存放最佳评估模型的路径，一个是最终训练完成的模型路径。

首先用check_files_availability验证预处理模型和数据集路径是否正确。没有问题的话可以开始读取。

使用read_dl_model读取前一步初始化后的网络模型，得到模型的句柄DLModelHandle。

接着用read_dict读取预处理后的数据集，得到数据字典句柄DLDataset。

设置模型参数主要通过set_dl_model_param算子，以修改属性值的方式改变关键参数的值。该算子原型如下：

set_dl_model_param( : : DLModelHandle, GenParamName, GenParamValue : )

输入三个参数：

注意，如果将'runtime'的值改为了’gpu’，则要确定cuDNN和cuBLAS已经成功安装了。

通过set_dl_model_param算子，可以将本文开头提到的设置的模型的基本参数传递给模型句柄DLModelHandle。如将'batch_size'设为之前的batch_size的值等等。

1）创建训练参数。

这里使用create_dl_train_param算子创建一个训练参数的字典，用于存放训练参数和训练效果可视化的参数。这些参数可以做个说明：

2）训练网络

接下来是最耗时的部分，即使用train_dl_model算子进行深度学习网络模型的训练。算子如下：

train_dl_model( : : DLDataset, DLModelHandle, TrainParam, StartEpoch : TrainResults, TrainInfos,EvaluationInfos)

前四个参数是输入参数，后三个是输出参数。

接着到了第三步，即验证模型的部分。

性能优化——使用多线程加速Halcon深度学习算子

可以用Halcon建立深度学习模型，并用到实际项目中。

流程大概是使用免费的 Halcon Deeplearing Label Tool制作模型后，导出成 .hdl 文件，并在应用程序中用 ApplyDlClassifier 应用模型。

经过测试， ApplyDlClassifer 在第一次运行时，无论数据集有多大，执行时间在500ms左右（AMD 5800X + Nvidia P2200），能够明显感受到卡顿，而在第二次运行时，就感受不到卡顿。所以我考虑，在应用程序启动时，使用线程对模型进行预热。

预热听着高深，其实就是读取模型（ ReadDlClassifier ） 并送入一张空白图。

下面演示我的做法：

2.1 封装一个自己的Application类

2.2 我将Halcon算子封装成一个单例类，并使用 getAlgorithmGlobalData 获得这个单例对象。 slotDoModelWarmUp 是这个单例类一个槽函数。

2.3 在 slotDoModelWarmUp 中开多线程，对模型进行预热。

我将Halcon深度学习算子要用到的变量封装成一个 context 结构体，放在单例类中。为了节约开销，我使用引用，直接获取这个单例对象。这样，在向线程中传参数时，需要一个 std::ref 。

线程函数如下：

classifierHandle 是一个引用变量，这使得我可以直接操控单例类中的数据成员，而不是使用拷贝。

经过测试，在AMD 5800X + Nvidia P2200下，推理速度达到了11.66ms。

halcon深度学习需要单独购买吗?

halcon深度学习需要单独购买

深度学习是一系列机器学习的方法集合，其算法结构类似于多层级的神经网络。通过对大量的训练样本图像的学习，提取其各个层次的特征，使网络具有判别和推理能力。

深度学习的优点与缺点

缺点：

需要大量的训练样本

训练耗时较长

需要一定的硬件支持

优点：

黑箱操作，非常简单

能满足复杂环境的需要

只需要标注样本进行训练