深度学习介绍

人工智能：是指通过计算机复现人类的智能。

机器学习：指的是机器使用大量数据进行学习的能力。机器学习是实现人工智能的必经路径。

深度学习：是机器学习方法的一种，它允许我们通过给定一组输入，训练模型预测输出。 

神经网络

神经网络是深度学习的核心，它是一种模仿人脑神经元结构和功能的数学模型。神经网络由大量的节点（或称“神经元”）和之间相互的联接构成，这些节点就是神经网络的网络层。网络层包括卷积、池化、激活、归一化等方法，这些网络层通过不同的组合构成神经网络。

深度学习分类

按使用场景分：

深度学习流程

TridiAI训练：TridiAI是大帧科技基于pytorch开发的深度学习训练工具，并提供基于TensorRT的C++部署端接口。

TridiAI

TridiAI图库界面

TridiAI标注界面

TridiAI训练界面

TridiAI评估界面

TridiAI功能

包含分类、语义分割、目标识别、实例分割等模型的标注训练和部署。支持16位深度图的语义分割。

语义分割和实例分割的区别

语义分割会为图像中的每个像素分配一个类别，但是同一类别之间的对象不会区分。而实例分割，只对特定的物体进行分类。这看起来与目标检测相似，不同的是目标检测输出目标的边界框和类别，实例分割输出的是目标的Mask和类别。

TridiAI应用案例

TridiAI分类应用案例：区分焊接的好坏，分类良品和不良品。

TridiAI实例分割应用案例：识别炭包位置和个数。

TridiAI语义分割应用案例：检测锂电池顶盖焊的爆点、刀纹等缺陷。

TridiAI调参标准

设定一组训练参数后点击“开始训练”，训练状态和损失曲线会实时更新。直到训练完成。损失不再下降，最终稳定在某个数值附近，损失曲线逐渐收敛至平滑。

TridiAI评估

训练完成后，点击“评估”。分类项目会在表格中统计每个类别的正确率，点击每张图像可以查看该图像标注的标签和预测的标签，当出现误检时可以确认误检的图像。分割项目可以查看图像预测的缺陷区域或ROI。目标识别项目可以查看识别物体的位置和得分。

分类

分割

目标检测

TridiAI模型导出

训练完成后点击评估，若模型可以达到预期效果，可以导出模型。模型由预处理参数文件（*.json）和模型文件(*.onnx)两部分组成。

TridiVision中部部署

环境配置完成后，TridiVision工具箱2D工具中有“深度学习_Tridi”工具。其参数设置界面如左图所示，首先设置模型简称（多个工具调用同一模型简称设置相同），然后选择预处理参数文件（*.json）和模型文件（*.onnx）。选择图像源即可进行图像推理。

深度学习后处理工具

绑定深度学习输出的相关信息，可以使用深度学习后处理工具对缺陷面积、长、宽、长宽比进行筛选。针对16为深度图，可以对z向高度、深度、坡度进行筛选。该工具勾选显示，会以不同颜色显示滤除的缺陷和缺陷相关信息。

总结

TridiAI训练

新建对应工程，分类、语义分割、2D3D结合分割、目标检测、实例分割。导入图像。标注图像。调参训练和评估模型。导出模型。

TridiVision部署

配置深度学习环境。加载深度学习模型，设置工具参数。深度学习后处理。