快速了解深度学习

深度学习，即是“通过学习数据的特征解决问题”。

把需要识别的物体拍成图像（得到的图像称之为 “数据” ），再在图像上标记出需要识别的特征（此过程称为 “标注” ），通过深度学习产品使用图像及标注信息学习并总结物体特征规律（这一过程称为 “训练” ），继而得出一个结果（以文件形式体现，称为 “模型” ），将结果应用到与“数据”内容相似的实际项目场景中（称为 “预测” ），用以解决不同的识别问题。

深度学习可以解决哪些问题？

针对不同问题，深度学习产品提供了不同的解决方案：

	实例分割	图像分类
典型应用	纸箱、麻袋、周转箱拆码垛 工件上、下料 货品拣选 快递包裹供包 …	工件上、下料区分种类、大小、朝向等 装配、拣料区分物体是否正确摆放 纸箱、麻袋拆码垛区分不同颜色类别的纸箱 …
应用特点	定位 分类	分类

注意

深度学习不同的算法都有各自擅长的方向，这些方向并不互斥，是选择其中的一种还是混合使用取决于当前项目的应用场景及具体需求等。

深度学习流程一般包含以下五个步骤：

Step1 安装环境： 参阅 环境配置。

Step2 准备数据：采集、标注、检阅数据。

1.确保与实际应用场景完全一致的条件下采集深度学习所需的图像数据。

2.根据项目需求选择算法后按规则标注数据集。

3.审阅是否有标记错误的数据(使用Mech-DLK可以高效地准备训练所需的数据集)。

Mech-DLK标注数据

Step3 训练模型：用标注过后的数据在Mech-DLK训练所需的深度学习模型，详细步骤请参阅 快速入门。

Mech-DLK训练深度学习模型

Step4 评估效果：用事先预留的测试集验证模型效果是否满足需求。

Step5 预测：用户可将评估后的模型应用到项目的新图像中。