深度学习模型简介

您正在查看最新版本(V2.6.2)的文档。如果您想查阅其他版本的文档,可以点击页面右上角“切换版本”按钮进行切换。

■ 如果您不确定当前使用的产品是哪个版本,请随时联系梅卡曼德技术支持

深度学习模型指梅卡曼德为纸箱和麻袋等工件的拆/码垛场景所提供的自研深度学习模型。用户无需采集图像、训练模型,使用Mech-Vision、Mech-MSR简单部署深度学习模型即可完成目标物体的准确分割。

进入下载中心下载深度学习模型。深度学习模型分为用于部署的模型包(.dlkpack)和用于微调的模型(.dlkmp)。

使用场景

不同深度学习模型可应用于不同目标物体的分割:

纸箱模型

单色纸箱

带花纹纸箱

带胶带纸箱(半透明)

带胶带纸箱(不透明)

带扎带纸箱

solid color carton

patterned carton

transparent tape carton

opaque tape carton

strap carton

麻袋模型

满包麻袋

半包、带褶皱麻袋

full sack

wrinkled sack

轴棒模型

有序反光轴棒

有序哑光轴棒

乱序轴棒

neat reflective shaft

neat matte shaft

random shaft 1

金属锭模型

metal ingot 1

metal ingot 2

metal ingot 3

metal ingot 4

膜包模型

film wrapped package 1

film wrapped package 2

film wrapped package 3

film wrapped package 4

在 Mech-Vision 中部署深度学习模型包

使用深度学习模型包推理步骤,导入深度学习模型包对纸箱、麻袋的图像进行推理。

深度学习模型包推理完成后,即可在 Mech-Vision 中查看识别效果。

在 Mech-MSR 中部署深度学习模型包

使用深度学习模型包推理步骤,导入深度学习模型包对图像进行推理。

深度学习模型包推理完成后,即可在 Mech-MSR 中查看识别效果。

在 Mech-DLK 中微调深度学习模型

如果识别效果不够理想,则需要在 Mech-DLK 中对深度学习模型进行微调。

可通过以下方式进行模型微调:

  1. 采集模型识别效果不好的图像。

  2. 使用 Mech-DLK 新建空白工程,并添加“实例分割”模块。

  3. 设置  设置 中开启“开发者模式”。

  4. 将采集的图像加入到训练集和验证集中。

  5. 完成新增图像的标注。

  6. 在“训练”参数栏,单击 训练参数设置  模型微调,开启 微调

  7. 勾选 深度学习模型微调 后,单击 model iteration folder 选择深度学习模型(“.dlkmp” 文件)。

  8. 训练参数中,适当调低“学习率”参数;“总轮次”参数可以降低为50~80。

  9. 完成模型的训练和导出。

深度学习模型微调完成后,即可将深度学习模型导出为深度学习模型包(“.dlkpack” 文件),再次导入 Mech-Vision 进行模型包推理。

该页面是否有帮助?

可以通过以下方式反馈意见:

我们重视您的隐私

我们使用 cookie 为您在我们的网站上提供最佳体验。继续使用该网站即表示您同意使用 cookie。如果您拒绝,将使用一个单独的 cookie 来确保您在访问本网站时不会被跟踪或记住。