VM深度学习

海康威视 VisionMaster (VM) 的深度学习功能使用流程主要分为模型训练和方案部署两大阶段：

第一阶段：模型训练（使用 VisionTrain 工具）

最低硬件配置要求：

• 操作系统：Windows 7 / Windows 10（64位中文操作系统）。
• CPU：Intel 3845 或以上（如果仅使用 CPU 进行深度学习推理，官方建议 i9-10900K 及以上）。
• 内存：8GB 及以上。
• 显卡：
  • 使用 GPU 深度学习功能：显存必须达到 6GB 及以上。

  • 必须使用 NVIDIA 独立显卡（GPU）。

  • 原因：深度学习训练的计算量极大，依赖 GPU 进行并行加速。
  • 配置要求：官方推荐显存6GB 及以上（如 GTX 1660 Super、RTX 2080、RTX 3070 等）。如果显存不足，训练过程会非常缓慢甚至直接报错。
• 其他：需要安装 .NET 4.6.1 及以上运行环境，建议配备 USB 3.0 接口和千兆网卡。

2.深度学习功能使用流程主要分为模型训练和方案部署两大阶段

（1）模型训练（使用 VisionTrain 工具）

1.1 采集与准备图像

• 采集实际场景的图像，建议每类样本至少准备 10-20 张具有代表性的图片。
• 注意：训练集至少需要 11 张图片才能启动训练

1.2选择平台 和训练类型 (当前选择的是VM平台和图像分类)

1.2 图像标注（打标）

新建训练集并加载图片

打标

1.3 训练参数设置

1. Local Training (Currently Selected)
Utilizes the local RTX 3060 Laptop GPU to complete training, data stays local, most commonly used for debugging; the interface additionally displays the MuMu virtual display adapter, which is only for the display layer, with computing power provided by the RTX3060.
2. Cloud Server Training: Upload samples to Hikvision's cloud computing power, suitable for scenarios without a dedicated GPU or with large sample sets.
3. Local Server Training: Distributed training on a dedicated GPU host within the LAN, used for multi-workstation collaborative projects.

迭代轮次:算法内部称为Epoch ，一轮就是将所有训练样本训练一次的过程。增大迭代伦次可以增加训练的迭代次数。参数根据图片数量设置。30张设置700轮。100张设置500轮。500张设置200轮。1000张设置150轮。5000张设置100轮。10000张设置60轮。100000张设置50轮。若训练过程中曲线任有明显的下降趋势,可以暂停训练增大迭代伦次。

基础学习率:更新参数时前进的步长。一般按默认值1设置，不需改动。

Patch大小:训练过程中，输入神经网络的图像尺寸。有大中小可供选择，对应的缩放分辨率为608，416，288。目标占图片比例小则推荐选择大patch，占比大则可选择中或小patch。为了保证效果建议选择大Patch。

模型能力:处理复杂图片的能力，有普通和高精度两种模式选择。普通训练、检测速度更快，消耗的显存资源更小。高精度检测效果更加精确，但资源消耗大。小目标、精度要求高推荐使用高精度模式，大目标、精度要求较低推荐使用普通模式。为了保证效果建议选择高精度

版本VM400 支持 visionmaster4.0以上版本

是否剪枝
开关选项，开启后对训练完成的神经网络做模型剪枝，剔除冗余权重，减小模型体积、提升推理速度，轻微牺牲极少精度，现场部署推荐开启。
​
是否增强
开关选项，开启代表训练阶段启用图像增强（翻转、缩放、加噪、明暗变化等），提升模型泛化能力，应对工件位置、光照变化。
​
模型标识
自定义备注文字框，用于标注模型用途、物料名称、版本号，方便后期多模型区分管理。

模型生成位置：训练完毕后 生成的文件

曲线现状解读

1. 纵轴：训练误差，数值越低代表模型拟合效果越好；横轴：迭代轮次（总目标100轮）
​
2. 变化趋势：

- 0~40轮：误差快速断崖式下降，模型快速学习样本特征，收敛效果良好
​
- 40轮之后：误差趋近于0，曲线基本走平，模型已经充分拟合训练数据

核心调参技巧：看曲线，不只看数字

设置好初始的迭代次数后，千万不要盲目等它跑完。训练过程中最核心的判断依据是误差曲线（Loss曲线）：

1. 曲线仍在下降：如果在训练快结束时，误差曲线依然有明显的下降趋势，说明模型还没“学够”。此时可以点击暂停训练，手动增大迭代次数继续训练。
2. 曲线平稳收敛：如果误差曲线已经变得非常平缓，或者在图像检索任务中收敛在 0.5~0.6 之间，说明模型已经训练得很好了，可以提前结束训练。

训练模型文件 路径

第二阶段：方案部署（在 VisionMaster 中运行）

1.1 打开深度学习版本VisionMaster
（VisionMaster_Patch是深度学习的安装包，安装完该Patch包后，VisionMaster才可以正常使用深度学习的模块）

1.2设置检测流程（添加图像源和深度学习分类GPU）

加载训练模型文件

预设图像中出现的类别的个数

1.3运行流程 查看匹配结果