训练神经网络
在所有视图都被正确标注并分成训练图像和测试图像后,神经网络训练按以下一般方式进行:
- 配置工具参数并启动训练。按大脑图标训练工具。对于图像集中将用于训练的每个图像(在训练集对话框中定义),在架构为 聚焦 时将使用指定的特征尺寸对整个范围进行采样。
- 得到的样本提供给 VisionPro Deep Learning 深度神经网络,作为输入数据。
- 对于每个样本,神经网络产生特定的响应(取决于工具类型),并且将该响应与与训练图像中的样本位置相关联的图像标注进行比较。
- 在处理和重新处理样本时,网络内的内部权重会经历反复调整。网络训练系统不断调整网络权重,其目的是减少网络响应与用户提供的标注之间的误差(差异)。
- 整个过程重复多次,直到每个训练图像的每个样本都至少被包括了时期计数参数指定的次数。
-
采样区域。
-
用户绘制的已标注缺陷区域。
-
神经网络。
-
网络的反应。
-
调整权重以减少标注缺陷(黄色)和网络响应(蓝色)之间的差异(也就是误差)的迭代过程。
神经网络训练的具体特征在某种程度上取决于所训练的工具的类型。绿色分类工具网络训练的目标是减少标注类和检测类之间的不匹配数量。绿色分类工具在 Deep Learning 工具中非常特殊,因为它为整个输入图像生成一个结果。该工具以与其他工具相同的方式收集图像样本,但是会在处理期间合并样本并对整个图像产生单个结果。
-
采样区域和采样参数
尽管 绿色分类聚焦 会对用户定义的采样区域的像素进行采样,但绿色分类高细节 和 绿色分类高细节快速 从整幅图像中采样,所以它们没有采样区域,不需要在训练中采样参数。
-
验证训练
绿色分类高细节 和 绿色分类高细节快速 共享训练(以及处理)的大部分方面,因为它们来自相同的架构起源,但 绿色分类高细节 使用验证数据来验证每个训练的神经网络,并根据这些验证结果选择具有给定训练集的性能最好和最稳定的神经网络,而 绿色分类高细节快速 并没有这样做。绿色分类高细节快速 没有在训练阶段采用神经网络的验证来达到其内置目的:比高细节的训练速度更快。
配置工具参数
添加工具之后,可以访问工具参数以在训练之前微调工具的性能,以及工具在运行时操作期间如何处理图像。VisionPro Deep Learning 工具参数调整如何训练神经网络模型,以及工具如何处理统计结果。
当绿色分类工具的架构参数被设置为高细节快速模式时,该工具将被配置为平等地考虑整个图像,就像高细节模式。如果想获得更准确的结果,此选项很有用,但要以增加训练和处理时间为代价。
但是,与 绿色分类高细节 不同的是,您不需要在工具参数中手动配置许多参数,因为 绿色分类高细节快速 其采用最先进的训练算法,只需要几个参数。在高细节快速模式下,绿色分类工只有 2 类工具参数。可以查看每个参数的更多详细信息。
架构参数
架构参数选择将使用的神经网络模型的类型。如果想获得更准确的结果,此选项很有用,但要以增加训练和处理时间为代价。高细节和高细节快速架构设置将工具配置为平等地考虑整个图像,而聚焦模式设置则是选择性的,它聚焦于图像中包含有用信息的部分。由于这种聚焦,网络可能会丢失信息,尤其是当图像中到处都有重要细节时。
训练参数
训练工具参数控制训练过程。如果在训练过工具之后对训练工具参数进行了任何更改,这将使训练无效,并且有必要对工具进行重新训练。
参数 | 说明 |
---|---|
时期数 |
使用所有训练图像进行训练的次数。值越高,重复次数越多。取值范围是 1 到 100000。 Tip: 高细节快速模式使用与聚焦模式不同的 Epoch 计数概念。与具有相同数据库的聚焦模式相比,高细节快速模式最好使用更高的时期计数。
|
训练集 |
用于创建深度学习模型的数据集。这意味着在深度学习期间,仅提取训练集中包含的图像的特征来创建深度学习模型。 |
训练参数详细信息:时期数
时期数参数允许您控制执行网络细化的程度。如神经网络训练主题所述,训练过程通过网络反复处理输入样本,将网络结果与用户提供的标签进行比较,然后调整网络权重以减少此类错误。由于网络节点(因此权重)数量很大,这个过程几乎可以无限期地重复,每次迭代都会逐步减小误差。增加时期数参数设置会增加执行的训练迭代次数。这将减少训练图像上的网络错误,但需要更多的训练时间。
但是,要切记训练网络的目标是准确地对所有图像执行,而不仅是用于训练图像。随着时期数的增加,网络往往会经历过度拟合(术语),其中未经训练的图像上的错误增加,同时训练图像上的错误减少。因此,在调整时期数时,应仔细监控所有图像的网络性能。您必须为数据集选择一个最优时期,因为最优值因数据集而异,尤其是数据集的统计多样性。
恢复最后的参数:恢复参数
“恢复参数”按钮用于将工具参数值轻松地恢复为您在上次训练任务中选择的值。它会记住上次训练会话中使用的工具参数中的所有值。因此,如果您更改了它的任意值,现在要恢复此更改,可以单击它以回滚到上次训练中使用的工具参数值。请注意,当工具从未训练过或工具参数值的初始集没有更改时,此按钮将被禁用。
以下步骤解释了“恢复参数”按钮的工作原理:
-
当前工具未经训练时,“恢复参数”按钮始终处于禁用状态。
-
当前工具训练完成后,参数回滚的检查点被设置为上次训练会话工具参数中的值。此时,如果您更改工具参数中的任意值,将启用该按钮。
-
单击“恢复参数”按钮,则将更改的值恢复为检查点的值。
-
如果再次训练当前工具,并对工具参数进行一些更改,则参数回滚的检查点将被更新为更改后的参数值。同样,除非您对工具参数中的值进行其他更改,否则该按钮将被禁用。
-
如果您进行其他更改并再次单击“恢复参数”按钮,则将更改的值恢复为已更新的检查点的值。
请注意,如果您在更改处理参数中的值之后重新处理经过训练的工具,则不会更新参数回滚的检查点,因此“恢复参数”按钮将保持启用状态。仅在完成工具训练后更新检查点。
已禁用 |
已启用 |
不可逆参数,更改这些参数将重置工具
网络模型、独占、特征尺寸、遮蔽模式、颜色、居中、缩放、缩放模式(均匀/非均匀)、遗留模式、定向、细节
不可逆参数,这些参数在本质上是不可逆的
低精度、简单区域
其他不可逆参数
训练集、绿色分类高细节模式下的热力图和 绿色分类高细节快速(此参数不影响预测性能)
蓝色读取中遮蔽模式下的叠加参数
控制神经网络训练
可以通过配置工具参数和训练集来控制绿色分类高细节快速的训练。
训练集
影响网络训练阶段的最大单一决定因素是训练集组成。控制网络训练阶段的最佳方法是构建工具的正确训练集。通过这种方式,您可以将图像/视图分成几类,以确定工具是否正确地概括了图像/视图。