跳到主要内容

语义分割

语义分割模型为图像中的每个像素分配一个语义类别标签。与实例分割（区分同类物体的不同个体）不同，语义分割仅关注类别级别的区分。我们使用了一种创新的语义分割模型，通过并行多分辨率分支始终保持高分辨率特征，避免传统编码器-解码器结构中的信息丢失。

应用场景​

  1. 裂纹检测
  2. 提取图像中的主体轮廓
  3. 精细的边缘查找

应用案例​

这是一个使用语义分割进行金线提取的案例，在这个任务中，不必须要 NG 图像。仅使用良品也能准确提取金线。 在准确提取金线后，通过对金线长度 ，位置，数量等判断是否存在异常。

alt text

文件结构​

通常，我们将一个任务中的文件存放在一个文件夹下，包含：

  1. 1-训练集：存放训练数据，内部可以有多层文件夹，用户可根据使用习惯整理数据。
  2. 2-工作目录：存放训练完成的 AI 模型，日志，中间结果，过漏检数据等。
  3. AI 项目文件：后缀名为.dva，创建项目后自动生成在训练集同目录下，记录了项目信息和训练参数等。

alt text

在训练集中，支持相似的产品混合训练。可以按照产品型号，特点等对训练集数据进行整理：

alt text

数据集准备​

使用 Labelme 标注数据​

  1. 手动标注
  2. AI 辅助标注：基于大模型的轮廓自动提取，仅需手动选择标签。
  3. AI 自动标注：支持使用预训练模型或定制化模型批量标注，仅需人工核查。（此功能需要硬件加密锁授权。）

参考：Labelme基本功能

精细的轮廓提取可以在使用 AI 辅助标注后人工进行边缘的修正。使用数十张图像训练的 AI 模型进行自动标注也能瞬间提升效率。

项目信息​

alt text

数据分析​

alt text

数据增强​

调整图像大小​

原图尺寸是 1175×1125，在训练过程中，我们优先选择 32 的倍数作为训练尺寸。在这个任务中，需要检测的金线较细，所以选择与原图尺寸接近的尺寸，为 1024× 1024。

Tips：训练尺寸越大，能够检测的越精细，同时训练时间和推理时间也会增加。需要根据图像尺寸，检测目标尺寸范围综合评估一个合适的参数。

注意：语义分割模型使用 dvt 部署时要选择 32 的倍数。不考虑部署或使用 dvp、dvo 部署时不强制使用 32 的倍数，但是使用 32 的倍数仍然是更好的选择。

alt text

训练参数​

训练集与验证集​

通常训练集与验证集的比例为 8:2，数据量较小时，建议增加训练集比例，最多可增加至 100%。数据量很少时，会将训练集和验证集都设置为 100%。此时，模型在训练集上效果通常不错，但是在新数据上的结果可能不稳定。

  • 训练集比例+验证集比例小于或等于 100% 时，训练数据不会参与验证
  • 训练集比例+验证集比例大于 100% 时，部分训练集参与验证

数据倍增​

在初期数据量较少，数据倍增参数设置为 10-20；随着数据增加，数据倍增参数相应减少，通常为 5、4、2，数据量极大时（>2000），设置为 1。

alt text

训练记录​

alt text

AI 模型测试​

alt text

alt text

AI 平台下载​

https://dlcv.com.cn/

alt text