簡介
"Deep Learning Add-on" 建立了機器視覺技術的新標準。這些演算工具經過長時間驗證在經過20-50張影像的訓練後，就具備自動檢測物體、缺陷和各種特徵的能力。AVS運用大量的神經網路和自我設計的WEAVER邏輯引擎研發出全新一代的高效能深度學習軟體，非常適合用在工業檢測系統。
為了讓您建構更完整和功能更強大的機器視覺系統方案，"Deep Learning Add-on" 結合Adaptive Vision Studio全圖控制操作界面，輕鬆開發傳統機器視覺和深度學習的演算法。
|
為什麼選擇 Adaptive Vision 深度學習插件
是一種完整的，用於模型訓練和應用程序設計的圖形環境。
操作無需要任何編程技能。您只要加載圖像，添加標籤，然後單擊“訓練”就行！
轉為工業應用而優化的軟體，使用WEAVER邏輯引擎並在GPU和CPU上皆能達到最佳的性能。
新功能：可使用Zillin線上工具準備訓練數據資料。
Key Facts
 |
從少數樣本中學習 |
|
 |
運行在GPU和CPU |
| 一般的應用僅需要約20到50張影做訓練即可。愈多訓練的效果愈好，但我們的軟體根據訓練庫的主要參數屬性，內部將自動產生數以千計 新的人造影像，讓訓練更有效率。 |
為了讓訓練更有效率，需要新一代的繪圖處理器(GPU)。在生產線上，您可以視需求選用GPU或CPU，而GPU的處理時間會比CPU快3到10倍。(Object Classification的運行速度CPU和GPU一樣快)。 |
| |
 |
最佳性能 |
|
|
| 一般在GPU的訓練時間大約是5到15分鐘。推論時間的長短每張影像介於5到100毫秒，它和選用的工具與硬體有關。工業級的邏輯引擎 WEAVER可以保證最佳的性能。 |
|
TOP |
| |
訓練步驟
1. 收集影像並進行標準化
- 取得20到50張影像，好壞都要，影像要儘可能涵蓋物件的變化，並儲存在硬碟裡。
- 影像中物件的比例、方向和明暗儘可能保持一致
|
|
2. 訓練
- 打開"Adaptive Vision studio"並選擇"Deep Learning"的其中一個工具
- 打開工具中的編譯器，並載入影像
- 開始標註影像或使用繪圖工具標記(您也可以從Zillin匯入資料)
- 點擊"訓練"
|
| 訓練庫和驗證庫 在深度學習中如同在機器學習的各個領域一樣，遵循正確的方法是非常重要的。最重要的規則是將訓練庫和驗證庫分開。 訓練庫是用於創建模型的一組樣本。我們不能用它來衡量模型的性能，因為這通常會產生過於樂觀的結果。因此，我們使用不同的數據(驗證庫)來評估模型。我們的深度學習工具會根據用戶提供的樣本自動創建這兩種資料庫。
|
|
3. 執行
- 運行程式並查看結果
- 返回步驟1或2直到結果完全令人滿意。
|
USB3.0 CMOS系列:
Zebra Aurora Vision Studio, Zebra Autora Vision Library, Zebra Aurora Deep Learning, MQ003MG-CM, MQ003CG-CM, MQ013MG-E2, MQ013CG-E2, MQ013RG-E2, MQ013MG-ON, MQ013CG-ON, MQ022MG-CM, MQ022CG-CM, MQ022RG-CM, MQ042MG-CM, MQ042CG-CM, MQ042RG-CM, MQ003MG-CM-BRD, MQ003CG-CM-BRD, MQ013MG-E2-BRD, MQ013CG-E2-BRD, MQ013RG-E2-BRD, MQ013MG-ON-BRD, MQ013CG-ON-BRD, ……
|
