Halcon深度学习药片检测

本文主要是介绍Halcon深度学习药片检测，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1.应用示例思路

(1) 标注数据并获取halcon字典形式的训练数据；(2) 数据预处理；

(3) 模型训练；(4) 模型评估和验证；(5) 模型推理。

数据的标注使用labelimg工具，具体的参考以下博文：

https://blog.csdn.net/ctu_sue/article/details/127280183

 2.应用示例相关参数说明

(1) 创建目标检测模型(create_dl_model_detection)之前应设置的参数

序号	参数	解释
1	'class_ids'	类的ID，默认 'class_ids' = [0,...,num_classes-1]。
2	'class_names'	类的名称，设置之后，类名的顺序保持不变。
3	'image_height',	网络将处理的输入图像的高度。
4	'image_width'	网络将处理的输入图像的宽度。
5	'image_num_channels'	网络将处理的输入图像的通道数(默认值=3)。
6	'min_level'	决定了特征金字塔较低层次的特征图。
7	'max_level'	决定了特征金字塔较深层次的特征图。
8	'anchor_aspect_ratios'	用于创建不同形状(长宽比不一样)的锚框。
9	'anchor_num_subscales'	用于创建不同大小的锚框。
10	'capacity'	该参数决定了在目标检测网络的较深部分(在骨干之后)中参数的数量(或过滤权重)。它的可能值是'high'， 'medium'和'low'。它可以用来在检测性能和速度之间进行权衡。 对于简单的目标检测任务，“低”或“中”设置可能足以实现与“高”相同的检测性能。

(2) 目标检测模型训练时应设置的参数

序号	参数	解释
1	'batch_size'	批大小，往设备内存中输入图像(包括标签)的数目。
2	'learning_rate'	学习率，在训练期间决定梯度的变化。
3	'momentum'	动量，当更新网络的权重时，超参数'动量'指定了将先前的更新向量添加到当前更新向量的程度。
4	'weight_prior'	用于损失函数正则化的正则化参数。
5	'device'	在设备上执行深度学习算子的设备句柄。

(3) 目标检测模型评估和推理时应设置的参数

序号	参数	解释
1	'batch_size'	批大小
2	'min_confidence'	最小置信度，所有置信度值小于'min_confidence'的输出边界框都会被抑制。
3	'max_overlap'	同一类的两个预测边界框的IoU所允许的最大值。
4	'max_overlap_class_agnostic'	两个不同类的预测边界框的IoU所允许的最大值。当两个边界框的IoU高于'max_overlap_class_agnostic'时 ，具有较低置信度值的那个将被抑制。
5	'optimize_for_inference'	将此参数设置为'true'可以释放不需要用于推理的模型内存(例如，梯度内存)。

 3.应用示例相关代码

（1）解析xml，提取每张图像的目标类别和位置

import os
import xml.etree.ElementTree as ETdef Get_TrainData(xmlfile):TrainDataList = []Classes = []xml_file_name = os.path.basename(xmlfile)file_name = xml_file_name.split('.')[0]img_file_name = file_name + '.png'TrainDataList.append(img_file_name)with open(xmlfile,"r", encoding="utf-8") as in_file:tree = ET.parse(in_file)root = tree.getroot()for obj in root.iter('object'):cls = obj.find('name').textif cls not in Classes:Classes.append(cls)cls_id = Classes.index(cls)xmlbox = obj.find('bndbox')b = (int(xmlbox.find('xmin').text),int(xmlbox.find('ymin').text), int(xmlbox.find('xmax').text),int(xmlbox.find('ymax').text))list_file = "" + ",".join([str(a) for a in b]) + ',' + str(cls_id)TrainDataList.append(list_file)return  TrainDataList,ClassesSaveDir1='./pill data/DataLabel'
xml_file_path='./pill data/DataLabel'
xml_file_list = os.listdir(xml_file_path)
TotalTrainDataList=[]
TotalClasses=[]for xmlfile in list(xml_file_list):xml_file_path = os.path.join(SaveDir1, xmlfile)TrainDataList, Classes = Get_TrainData(xml_file_path)TotalTrainDataList.append(TrainDataList)TotalClasses.append(Classes)SaveDir2='./pill data/'
SaveDir3='./pill data/'with open(os.path.join(SaveDir2,'TrainList.txt'), encoding="utf-8", mode="w") as f:for each_TrainDataList in TotalTrainDataList:f.write(" ".join(each_TrainDataList)+"\n")with open(os.path.join(SaveDir3,'classes.txt'), encoding="utf-8", mode="w") as f:for each_Classes in TotalClasses:f.write(",".join(each_Classes) + "\n")

(2) 生成字典形式的训练数据

*1、变量定义* 前边生成的类别文件
class_txt:='./InputFile/classes.txt'
* 前边生成的数据标注文件
train_txt:='./InputFile/TrainList.txt'
* 基于halcon转化脚本下的图像保存路径
ImageDir:='./DataImage'
* 基于halcon训练脚本下的图像保存路径
BaseImgDir:='./DataImage'
* 保存为halcon识别的训练文件
dict_File:='./InputFile/dl_dataset.hdict'*2、读取种类ClassID:=[]
ClassName:=[]open_file (class_txt, 'input', FileHandle)
repeatfread_line(FileHandle, oneline, IsEOF)if(IsEOF == 1)break        endifif(oneline == ' ' or oneline=='\n')continueendiftuple_regexp_replace (oneline, '\n', '', oneline)tuple_length (ClassID, Length)ClassID[Length]:=Length+1tuple_concat (ClassName, oneline, ClassName)
until (IsEOF)*3、解析trainList.txtTrainDataList:=[]
open_file (train_txt, 'input', FileHandle)
repeatfread_line(FileHandle, oneline, IsEOF)if(IsEOF == 1)break        endifif(oneline == ' ' or oneline=='\n')continueendiftuple_regexp_replace (oneline, '\n', '', oneline)tuple_concat (TrainDataList, oneline, TrainDataList)
until (IsEOF)*4、生成字典class_ids:=[1,2,3,4,5,6,7,8,9,10]
class_names:=['黑圆','土圆','赭圆','白圆','鱼肝油','棕白胶囊','蓝白胶囊','白椭圆','黑椭圆','棕色胶囊']AllSamples:=[]for Index1 := 0 to |TrainDataList|-1 by 1EachTrainList:=TrainDataList[Index1]tuple_split (EachTrainList, ' ', DataList)imageFile:=DataList[0]tuple_length (DataList, Length)DataList:=DataList[1:Length-1]create_dict (SampleImage)set_dict_tuple (SampleImage, 'image_id', Index1+1)set_dict_tuple (SampleImage, 'image_file_name', imageFile)  bbox_label_id:=[]bbox_row1:=[]bbox_col1:=[]bbox_row2:=[]bbox_col2:=[]class_names_temp1:=[ClassName[Index1]]tuple_split (class_names_temp1, ',', class_names_temp2)for bbox_index:=0 to |DataList|-1 by 1bbox_data:=DataList[bbox_index]tuple_split (bbox_data, ',', bbox_data_list)tuple_number (bbox_data_list[4], Number)class_name:=class_names_temp2[Number]tuple_find_first (class_names, class_name, class_name_index)tuple_concat (bbox_label_id, class_name_index+1, bbox_label_id)tuple_number (bbox_data_list[1], Number)tuple_concat (bbox_row1, Number, bbox_row1)tuple_number (bbox_data_list[0], Number)tuple_concat (bbox_col1, Number, bbox_col1)tuple_number (bbox_data_list[3], Number)tuple_concat (bbox_row2, Number, bbox_row2)tuple_number (bbox_data_list[2], Number)tuple_concat (bbox_col2, Number, bbox_col2)endforset_dict_tuple (SampleImage, 'bbox_label_id', bbox_label_id)set_dict_tuple (SampleImage, 'bbox_row1', bbox_row1)set_dict_tuple (SampleImage, 'bbox_col1', bbox_col1)set_dict_tuple (SampleImage, 'bbox_row2', bbox_row2)set_dict_tuple (SampleImage, 'bbox_col2', bbox_col2)tuple_concat (AllSamples, SampleImage, AllSamples)endfor*5、生成最终字典形式的训练数据create_dict (DLDataset)
set_dict_tuple (DLDataset, 'image_dir', './DataImage')
set_dict_tuple (DLDataset, 'class_ids', class_ids)
set_dict_tuple (DLDataset, 'class_names', class_names)
set_dict_tuple (DLDataset, 'samples', AllSamples) write_dict (DLDataset, dict_File, [], [])

（3） 应用示例代码

dev_close_window ()
dev_update_off ()
set_system ('seed_rand', 42)***0.)  设置输入输出路径(SET INPUT/OUTPUT PATHS)  ***get_system ('example_dir', HalconExampleDir)
PillBagJsonFile := HalconExampleDir + '/hdevelop/Deep-Learning/Detection/pill_bag.json'
InputImageDir := HalconExampleDir + '/images/'
OutputDir := 'detect_pills_data'*设置为true，如果运行此程序后应删除结果。
RemoveResults := false***1.)准备(PREPARE )****我们从一个COCO文件中读取数据集。
*或者读取由MVTec深度学习工具使用read_dict()创建的DLDataset字典。read_dl_dataset_from_coco (PillBagJsonFile, InputImageDir, dict{read_segmentation_masks: false}, DLDataset)*创建适合数据集参数的检测模型。
DLModelDetectionParam := dict{image_dimensions: [512, 320, 3], max_level: 4}
DLModelDetectionParam.class_ids := DLDataset.class_ids
DLModelDetectionParam.class_names := DLDataset.class_names
create_dl_model_detection ('pretrained_dl_classifier_compact.hdl', |DLModelDetectionParam.class_ids|, DLModelDetectionParam, DLModelHandle)*对DLDataset中的数据进行预处理。
split_dl_dataset (DLDataset, 60, 20, [])*如有需要，现有的预处理数据将被覆盖。
PreprocessSettings := dict{overwrite_files: 'auto'}
create_dl_preprocess_param_from_model (DLModelHandle, 'none', 'full_domain', [], [], [], DLPreprocessParam)
preprocess_dl_dataset (DLDataset, OutputDir, DLPreprocessParam, PreprocessSettings, DLDatasetFileName)*随机挑选10个预处理的样本进行可视化
WindowDict := dict{}
for Index := 0 to 9 by 1SampleIndex := round(rand(1) * (|DLDataset.samples| - 1))read_dl_samples (DLDataset, SampleIndex, DLSample)dev_display_dl_data (DLSample, [], DLDataset, 'bbox_ground_truth', [], WindowDict)dev_disp_text ('Press F5 to continue', 'window', 'bottom', 'right', 'black', [], [])stop ()
endfor
dev_close_window_dict (WindowDict)***2.) 训练(TRAIN) ****训练可以在GPU或CPU上执行。
*本例中尽可能使用GPU。*如果你明确希望在CPU上运行这个例子，选择CPU设备。
query_available_dl_devices (['runtime', 'runtime'], ['gpu', 'cpu'], DLDeviceHandles)
if (|DLDeviceHandles| == 0)throw ('No supported device found to continue this example.')
endif*由于query_available_dl_devices中使用了过滤，如果可用，第一个设备是GPU。
DLDevice := DLDeviceHandles[0]
get_dl_device_param (DLDevice, 'type', DLDeviceType)
if (DLDeviceType == 'cpu')*使用的线程数可能会对训练持续时间产生影响。NumThreadsTraining := 4set_system ('thread_num', NumThreadsTraining)
endif*详细信息参见set_dl_model_param()和get_dl_model_param()的文档。
set_dl_model_param (DLModelHandle, 'batch_size', 1)
set_dl_model_param (DLModelHandle, 'learning_rate', 0.001)
set_dl_model_param (DLModelHandle, 'device', DLDevice)*在这里，我们进行10次的短训练。为了更好的模型性能，增加epoch的数量，例如从10到60。create_dl_train_param (DLModelHandle, 10, 1, 'true', 42, [], [], TrainParam)*使用以下函数调用train_dl_model_batch()完成训练train_dl_model (DLDataset, DLModelHandle, TrainParam, 0, TrainResults, TrainInfos, EvaluationInfos)*读取由by train_dl_model保存的最佳模型文件。
read_dl_model ('model_best.hdl', DLModelHandle)
dev_disp_text ('Press F5 to continue', 'window', 'bottom', 'left', 'black', [], [])
stop ()dev_close_window ()
dev_close_window ()***3.) 评估(EVALUATE) ***
* 
GenParamEval := dict{detailed_evaluation: true, show_progress: true}set_dl_model_param (DLModelHandle, 'device', DLDevice)
evaluate_dl_model (DLDataset, DLModelHandle, 'split', 'test', GenParamEval, EvaluationResult, EvalParams)DisplayMode := dict{display_mode: ['pie_charts_precision', 'pie_charts_recall']}
dev_display_detection_detailed_evaluation (EvaluationResult, EvalParams, DisplayMode, WindowDict)
dev_disp_text ('Press F5 to continue', 'window', 'bottom', 'right', 'black', [], [])
stop ()
dev_close_window_dict (WindowDict)*优化模型进行推理，也就是说，减少它的内存消耗。
set_dl_model_param (DLModelHandle, 'optimize_for_inference', 'true')
set_dl_model_param (DLModelHandle, 'batch_size', 1)
*保存此优化状态下的模型。
write_dl_model (DLModelHandle, 'model_best.hdl')***4.) 推理(INFER) ****为了演示推理步骤，我们将训练好的模型应用于一些随机选择的示例图像。list_image_files (InputImageDir + 'pill_bag', 'default', 'recursive', ImageFiles)
tuple_shuffle (ImageFiles, ImageFilesShuffled)*创建用于可视化的窗口字典。
WindowDict := dict{}
DLDatasetInfo := dict{}
get_dl_model_param (DLModelHandle, 'class_ids', DLDatasetInfo.class_ids)
get_dl_model_param (DLModelHandle, 'class_names', DLDatasetInfo.class_names)
for IndexInference := 0 to 9 by 1read_image (Image, ImageFilesShuffled[IndexInference])gen_dl_samples_from_images (Image, DLSampleInference)preprocess_dl_samples (DLSampleInference, DLPreprocessParam)apply_dl_model (DLModelHandle, DLSampleInference, [], DLResult)dev_display_dl_data (DLSampleInference, DLResult, DLDataset, 'bbox_result', [], WindowDict)dev_disp_text ('Press F5 to continue', 'window', 'bottom', 'right', 'black', [], [])stop ()
endfor
dev_close_window_dict (WindowDict)***5.) 删除文件(REMOVE FILES) ***clean_up_output (OutputDir, RemoveResults)

如果不想自己标注数据的，可以下载我整理好的资源：https://download.csdn.net/download/qq_44744164/88595779

这篇关于Halcon深度学习药片检测的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---