深度学习模型包推理

您正在查看V1.8.2版本的文档。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。

■ 如果您想使用最新版本，可以从梅卡曼德下载中心下载。

■ 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。

自 Mech-Vision 1.7.2 起，“深度学习模型包 CPU 推理”和“深度学习模型包推理（Mech-DLK2.2.0+）”步骤合并为“深度学习模型包推理”步骤，“深度学习模型包推理”步骤同时支持Mech-DLK导出的两种深度学习模型文件（后缀为 .dlkpackC 和 .dlkpack）。

使用 Mech-Vision 1.7.2 打开旧版本工程后，“深度学习模型包 CPU 推理”和“深度学习模型包推理（Mech-DLK2.2.0+）”步骤将被自动替换为“深度学习模型包推理”步骤。

功能描述

该步骤可使用 Mech-DLK 导出的单级或级联模型包进行推理，并输出推理结果。

目前该步骤可针对七个场景进行模型包推理，分别为：图像分类、目标检测、缺陷分割、实例分割、文本检测、文本识别、无监督分割。

该步骤仅支持 Mech-DLK 2.2.0 及以上版本导出的模型包。

自 Mech-DLK 2.4.1 开始，模型包分为单级模型包、级联模型包两种。

单级模型包：模型包中有且只有一个深度学习算法模块的模型，例如“实例分割”模型。
级联模型包：模型包中有多个深度学习算法模块的模型，以串联形式存在，上一模型的输出是下一模型的输入。例如，当模型包中存在“目标检测”、“实例分割”两个模型时，模型推理顺序为目标检测 实例分割，“目标检测”模型的输出将作为“实例分割”模型的输入。

当该步骤使用级联模型包推理时，可使用深度学习结果解析步骤对级联模型包的推理结果进行解析。

使用场景

该步骤常用于图像分类、目标检测、缺陷分割等场景。关于该步骤的兼容性说明，可参考深度学习类步骤兼容性说明。

输入与输出

单级模型包

当导入单级模型包时，以“目标检测”为例，该步骤输入与输出如下图所示。

deep learning model package inference input and output single

级联模型包

当导入级联模型包时，以“目标检测+缺陷分割+图像分类”为例，该步骤输入与输出如下图所示。

deep learning model package inference input and output multi

系统要求

使用该步骤时，需满足如下系统要求。

CPU：需支持 AVX2 指令集，且需满足以下任一条件：
- 不带独立显卡时：Intel i5-12400 及以上。
- 带独立显卡时：Intel i7-6700 及以上，且显卡不低于 GeForce GTX 1660。
已在Intel CPU上进行充分测试，尚未在AMD CPU上进行测试，推荐使用Intel CPU。
GPU：应使用 GeForce GTX 1660 及以上显卡（如带独立显卡）。

参数说明

可单击下方链接，查看各功能对应的参数说明。

当使用该步骤推理级联模型包时，可在后接的“深度学习结果解析”步骤中调节参数。

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。

同意

不同意