采集训练所需数据¶
注意
采集数据是深度学习项目最关键的部分。模型最终效果很大程度上取决于训练数据的质量，高质量的数据集往往能够提高模型训练的质量和预测的准确率。
务必确保采集环境符合要求¶
避免 过曝、过暗、颜色失真、模糊、遮挡 等。这些情况会导致深度学习模型所依赖的特征丢失，从而影响模型效果。
确保采集数据的 背景、视角、高度 与实际应用一致。任何不一致都会降低深度学习在实际应用时的效果，严重情况下必须返工重新采集数据，请务必提前确认实际应用时的情况。
采集多少张数据¶
如仅有单类物体，采集约50张。
如有多类物体，每类物体采集约30张， 采集总量 = 30 * 类别数量。
以上为通用采集量，典型行业应用有更细化的标准，可参考 典型项目数据采集案例 。
注意
训练数据集太少，模型将没有足够多的样本，在此基础上拟合的数据会导致深度学习模型无法有效训练，测试错误率很高；数据太多会导致训练速度不必要地降低，请务必合理分配。
采集时的物体摆放¶
各种摆放情况均需按采集要求合理分配数量，例如实际生产时来料有横向和竖向，但只采集了横向来料的数据进行训练，那么无法保证竖向来料的识别效果。又如实际生产时来料有可能互相堆叠遮挡，但只采集了单独来料的数据，那么无法保证堆叠遮挡来料的识别效果。 因此，采集数据时需要能 包含实际生产的各种场景 ，具体包括：
确保采集的数据中包含实际应用所有可能出现的 物体朝向 。
确保采集的数据中包含实际应用所有可能出现的 物体位置 。
确保采集的数据中包含实际应用所有可能出现的 物体间关系 。
注意
如果漏采集了某种情况，会导致深度学习模型缺少对于该情况的学习，从而在该情况下无法有效识别，这意味着需要根据情况增加数据样本，降低误差。
使用Mech-Vision采集数据¶
上述采集环境、采集数量、采集时摆放方式均确认后，可使用Mech-Vision搭建如下图所示的步骤组合来采集数据。步骤使用详解参阅 capture_images_from_camera 。
历史项目数据采集案例¶
某金属件项目，单类物体，因此采集50张。物体朝向方面，可能平躺或侧立，采集时都需要考虑。物体位置方面，需要考虑位于料筐中央、四周、边角以及不同高度的情况。物体间关系方面，除堆叠外还需要考虑少量并排。实际采集的图片如下：
少量散乱（左上） & 集中散乱（右上）&堆叠（左下） & 集中散乱（右下）¶
平铺 & 侧立 & 堆叠 & 并排¶
某日用品项目，7类物体混料，需要分类。采集时需考虑“单类物体多种朝向摆放”和“多类物体混合摆放”的情况，以全面地采集物体特征。单类物体采集数量= 5 * 类别数量，多类物体混合摆放数量= 20 * 类别数量。物体朝向方面，可能平躺、侧立或倾斜，采集时每个面都需要考虑。物体位置方面，需要考虑位于料筐中央、四周、边角。物体间关系方面，除堆叠外还需要考虑并排与紧密拼接情况。实际采集的图片如下：
单独摆放：
料筐边角（左上） 紧密拼接（右上） 紧密贴合（左下） 少量散乱（右下）¶
混合摆放：
紧密贴合 & 料筐边角 & 散乱堆叠¶
某履带板项目，物体有多个型号，因此采集（30*型号数量）张。物体朝向方面，只需考虑正面向上摆放。物体位置方面，摆放方式单一，需包含考虑高、中、低层不同高度视野的数据。物体间关系方面，规则码放，需重点注意紧密贴合的情况。实际采集图片如下：
高、中、低层不同高度视野¶
某金属件项目，仅平铺一层，因此采集50张。物体朝向方面，仅平铺一层，只需考虑正面向上摆放。物体位置方面，需考虑到位于料筐中央、四周、边角。物体间关系方面，需考虑紧密贴合等，实际采集图片如下：
满层摆放 & 料筐四周 & 料筐边角¶
某金属件项目，多层整齐码放，采集30张。物体朝向方面，只需考虑正面向上摆放。物体位置方面，需考虑到位于料筐中央、四周、边角以及高、中、低层不同高度的情况。物体间关系方面，需考虑紧密贴合等，实际采集图片如下：
高层(左上) & 高层少量（右上）& 低层全满（左下） & 低层料筐四周（右下）¶