错漏装检测 ========================================== **错漏装检测** 可以根据与标准图像对比,检测图像中零件的安装情况。常用与零件的错装和漏装检测。 .. image:: Images/pre.png :scale: 100% .. .. raw:: html ..
.. ..
| 完成模型标注后,可以参考 :ref:`训练` 章节下的视频,创建数据集版本并训练部署。 模型选择场景 ------------------------------------------ **错漏装检测** 作用于判断某物体是否出现在场景中,或者判断某物体出现的次数。 **错漏装检测** 需要有标准图像作为学习对象,会学习并判断物体出现的次数。 标注方法 ---------------- 如果有已经训练过的模型,可以使用辅助标注工具,让深度学习模型来帮助您标注,然后您再检查以及纠正标注。 .. image:: Images/suppor_anno.png :scale: 100% 使用边界框标注工具(绿色),或者智能标注(红色),对物体进行边界框标注。 .. image:: Images/pre_annotate.png :scale: 100% 错漏装检测模型需要有一个 **标准图像** 作为比较的基准,您需要在标注好标准图像后,对于布局进行设置,否则数据集无法完成标注。 .. image:: Images/pre_golden_image.png :scale: 100% 点击 ``保存为标准图像`` 后,点击继续。 .. image:: Images/pre_golden_continue.png :scale: 100% .. warning:: 点击 ``保存为标准图像`` 会覆盖原先的标准图像,并重置布局。会导致标注失效并需要重新标注,请谨慎。 选择布局工具,框选出布局的位置。 .. image:: Images/pre_layout.png :scale: 100% 布局可以是工件的整体范围,也可也是物体会出现的ROI范围。 .. image:: Images/pre_golden_board.png :scale: 100% 保存后您可以查看目前布局的标签,布局中的物体标签和数量。 .. image:: Images/pre_golden_board_save.png :scale: 100% 重复把所有需要识别的物件标注好。 .. image:: Images/pre_annotate_all.png :scale: 100% 如果场景内没有物体,请标注为空。 .. image:: Images/pos_null.png :scale: 100% 注意事项 ------------ 1. **错漏装检测模型** 标注时,应当先标注好标准图像,设置好布局。 2. **错漏装检测模型** 标注中,标注区域不可超出图片边界。 3. 于其他标注模型类似,在标注时,应当避免标注被大面积覆盖的物体,选择最顶层或最明显的物体进行标注。 练习 -------- 从 `练习数据 `_ 中下载 presence_checking.zip 解压缩后您将得到11张图片和标注文件(.json), 请您只上传图片到DaoAI World进行标注练习。之后可以一同上传图片和标注文件,对比结果。