🖥️
AugeLab Studio Manual
Deutch
Deutch
  • 👋Willkommen im AugeLab Studio Benutzerhandbuch
  • 📘Einführung
    • AugeLab Studio
    • Hauptmerkmale
    • Anwendungsfälle
    • Systemanforderungen
  • 🚀Erste Schritte
    • Anmeldung
    • Installation
    • Erster Blick
    • Einfacher Rundgang
    • Ihr allererstes Projekt
      • Grundlagen
      • Erkennung
      • Zusammenfassung
    • Weitere lokale Beispiele
    • Weitere Lektüre
  • 🖥️AugeLab Studio Oberfläche
    • Detaillierter Blick
    • Szenario-Bereich
    • Menü und Werkzeugleiste
    • Projekte verwalten
    • KI installieren und vieles mehr
      • KI mit Modul-Downloader nutzen
  • 🧱Funktionsblöcke
    • Blockstrukturen
    • Schnittstellen
    • Blockspalte
    • Verbindungen
    • Alle Funktionsblöcke
      • AI Blocks
        • Face Detection
        • Mask Detection
        • Object Detection - Custom
        • Object Detection
        • Pose Estimation
        • Safety Equipment Detection
        • Social Distance Detector
        • Super Resolution
        • Text Detection
        • OCR
      • CNN Blocks
        • Average Pooling 2D
        • Batch Normalization
        • Choose Folder 2D
        • Compile Model
        • Conv. Sep. Layer 2D
        • Conv. Trans. Layer 2D
        • Convolutional Layer 2D
        • Dropout Layer
        • Flatten Layer 2D
        • Fully Connected
        • Global Average Pooling 2D
        • Global Max Pooling 2D
        • Input Layer 2D
        • Loss CCE
        • Max Pooling 2D
        • Metrics Accuracy
        • Model EfficientNet
        • Model MobileNet
        • Model ResNet
        • Model VGG
        • Optimizer Adadelta
        • Optimizer Adagrad
        • Optimizer Adam
        • Optimizer Adamax
        • Optimizer FTRL
        • Optimizer Nadam
        • Optimizer RMSProp
        • Optimizer SGD
        • ReLU Layer
        • Softmax Layer
        • Training Parameters
      • Data/Logic
        • Flow Control
          • Batch Concatenation
          • Batch Processing
          • Debatch
          • Get Batch Size
          • HMI Background
          • Subsystem Enabled
          • Subsystem In
          • Subsystem Loop
          • Subsystem Out
          • Subsystem
        • logic
          • All True
          • And
          • Demux
          • Equals
          • Greater
          • Logic Operations
          • Mux
          • Not
          • Or
          • Set - Reset
          • Smaller
        • Mathmetical Operations
          • Add
          • Counter
          • Divide
          • Math Operations
          • Maximum
          • Minimum
          • Multiply
          • Not Equals
          • Round
          • Square Root
          • Subtract
          • Trigonometry
        • Data Operations
          • Data Memory
          • Data to JSON
          • Data Type Converter
          • Datetime Compare
          • Dictionary Operations
          • Exclude Nones
          • Find Substring
          • Get Element
          • Is None
          • List Operations
          • Parse Data Dictionary
          • Replace None
          • String Merge
          • String Operations
        • Referencing
          • Data Read Global
          • Data Read Local
          • Data Write Global
          • Data Write Local
          • Debug Input
          • Tag From
          • Tag To
        • Signal Operators
          • Delay Step
          • Edge Falling
          • Edge Rising
          • Multi Port Switch
          • OFF Delay
          • ON Delay
      • Image/Transformations
        • Analysis
          • Color Density Percentage
          • Get Dimension
          • Histogram On Curve
          • Histogram On Line
          • Image Color Match
          • Image Memory
          • Image Resolution and Channel Value
          • Maximum Images
          • Mean Value of Image
          • Measure Position Distance
          • Minimum Images
          • Non-zero of Image
          • Std. of Image
          • Structural Similarity
        • Transformation Filters
          • Auto Alignment
          • Auto Contrast
          • Color Quantizer and Clustering
          • Color Space
          • Contrast-Brightness-Gamma
          • Contrast Optimization
          • Deconvolution
          • Denoising
          • Distance Transformation
          • FloodFill
          • Grab Cut Algorithm
        • Color Filters
          • 2D Filter
          • Apply Mask
          • Bilateral Filter
          • Blur
          • Edge Filter
          • HSV Filter
          • Image Adaptive Threshold
          • Image Threshold
          • Invert Image
          • Morphological Transformations
          • Normalize Image
          • RGB Mask
          • RGB Set
          • Sobel Filter
        • Operations
          • Add Images Weighted
          • Add Images
          • Collage Images
          • Divide Images
          • Flip Image
          • Image AutoRotator
          • Image Concatenate
          • Image Resize
          • Image Resizer
          • Merge Channels
          • Multiply Images
          • Polar Transform
          • Rotate Image Angle
          • Slice Image
          • Split Image
          • Subtract Images
      • Detections/Shapes
        • Detectors
          • Barcode Reader
          • Blob Detector
          • Blur Detector
          • Circle Detector
          • Corner Detector
          • Custom CNN Model
          • Data Matrix Reader
          • Detect Reference
          • Feature Detector
          • Find Object - Multiple Image
          • Find Object
          • Find Reference
          • Harris Corner Filter
          • Line Detector
          • Match Shapes
          • Measure Object Distance
          • Shape Detector
        • Draw
          • Draw Detections
          • Draw Line
          • Draw Point
          • Draw Rectangle
          • Draw Result On Image
          • Write Date On Image
          • Write Text On Image
        • Roi Processing
          • Check Area (Polygon)
          • Check Area
          • Get Pixel Mouse
          • Get Pixel
          • Get ROI
          • Image ROI Center
          • Image ROI Polygon
          • Image ROI Select Multi
          • Image ROI Select
          • Image ROI
          • Perspective Transform
          • Rectangles in Rectangle
        • Shape Analysis
          • Approximate Contour
          • Choose Line
          • Contour to Image
          • Fill Contour
          • Find Contour
          • Hull Convex
          • Minimum Circle
          • Minimum Ellipse
          • Minimum Rectangle
          • Minimum Rotated Rectangle
          • Most Similar Shape
          • Point Polygon Test
      • Input/Output
        • Communication
          • Modbus Connect
          • Modbus Read
          • Modbus Write
          • MQTT Publish
          • MQTT Subscribe
          • OPC UA Client
          • OPC UA Read
          • OPC UA Write
          • REST API - Get
          • REST API - Post
          • Send Mail
          • Siemens S7 Connect
          • Siemens S7 Read
          • Siemens S7 Write
        • Data Inputs
          • Date-Time List
          • Date-Time
          • Headless Check
          • Keyboard/Barcode Reader
          • Logic Input
          • Number Input
          • Number Range
          • PWM (Pulse Width Modulation)
          • Rising Edge
          • String Input
          • Text
        • Image Inputs
          • Camera IP (ONVIF)
          • Camera IP
          • Camera USB External
          • Camera USB Vidgear
          • Camera USB
          • Load Image From Path
          • Load Image
          • Make Image
          • Pixel
          • Video
        • Outputs/Exports
          • CSV Export
          • Cycle Timer
          • File/Folder Operations
          • GPU Statistics
          • Image Logger
          • Image Write
          • Led Output
          • Multi Image Write
          • Output
          • Scope
          • Show Image
          • Stop
  • 📡Geräte und Kommunikation
    • Kamera-Nutzung
    • Kommunikationsprotokolle
    • Weitere Lektüre
  • 🧩Beispielprojekte
    • Demo-Projekte
    • Umfangmessung
    • Objektezählung
    • Fliesenbreitenmessung
    • Menschenkennung
    • Objekterkennung
  • 🔑Hauptmerkmale
    • Benutzerdefinierte HMI-Anwendungen bereitstellen
    • Daten für die Objekterkennung annotieren
    • Benutzerdefinierte KI-Modelle trainieren
      • Die richtige Datenbank auswählen
      • Wann man das Training stoppen sollte
    • Plugins erstellen
      • Komponenten
      • Codereferenz
    • Teilen Sie Ihre Lösungen mit der Community
    • Python-Pakete installieren
  • 📑FAQ
    • Kontaktieren Sie uns
    • FAQ
    • Ein vollständiges Projekt einrichten
  • Zusätzliche Ressourcen
    • Schulungsplan
    • Schulung Materialien
    • AugeLab-Experten
  • Anhang
    • Wörterbuch
    • Referenzen
Powered by GitBook
On this page
  • 📥 Eingänge
  • 📤 Ausgänge
  • 🕹️ Steuerungen
  • 🎨 Funktionen
  • 📝 Nutzungshinweise
  • 📊 Bewertung
  • 💡 Tipps und Tricks
  • 🛠️ Fehlersuche

Was this helpful?

  1. Funktionsblöcke
  2. Alle Funktionsblöcke
  3. CNN Blocks

Model VGG

Dieser Funktionsblock integriert ein VGG-Convolutional-Neural-Network-Modell in Ihr Projekt und ermöglicht es Ihnen, Bildklassifizierungsaufgaben mit den Architekturen VGG16 oder VGG19 durchzuführen.

📥 Eingänge

Choose Folder 2D Der Eingang erwartet Daten von einem "Choose Folder 2D"-Block, der Bilder in einem kompatiblen Format zur Modellevaluierung bereitstellen sollte.

📤 Ausgänge

Dieser Funktionsblock gibt ein trainiertes VGG-Modell zur Evaluierung und Inferenz zurück.

🕹️ Steuerungen

Model Type Ein Dropdown-Menü zur Auswahl der VGG16- oder VGG19-Modellarchitektur.

Input Size Ein Feld zur Angabe der Eingangsgröße für das Modell, das die Abmessungen der Bilder darstellt (muss mindestens 32 betragen).

Pooling Ein Dropdown-Menü zur Auswahl der im Modell zu verwendenden Pooling-Methode (Max, Average oder None).

🎨 Funktionen

Pre-Trained Models Benutzer können aus zwei beliebten VGG-Architekturen wählen, die für Bildklassifizierungsaufgaben konzipiert sind.

Flexible Input Size Die Eingangsgröße kann entsprechend den Abmessungen Ihrer Bilder angepasst werden, um die Kompatibilität mit der VGG-Architektur zu gewährleisten.

Pooling Options Bietet Auswahlmöglichkeiten zwischen verschiedenen Pooling-Methoden, die eine angepasste Modellarchitektur ermöglichen.

📝 Nutzungshinweise

  1. Input Connection: Verbinden Sie die Ausgabe eines "Choose Folder 2D"-Blocks mit dem Eingang dieses Funktionsblocks.

  2. Select Model: Wählen Sie entweder VGG16 oder VGG19 aus dem Dropdown-Menü Model Type.

  3. Input Size: Geben Sie die gewünschte Eingangsgröße für die Bilder im Feld Input Size an. Stellen Sie sicher, dass der Wert 32 oder größer ist.

  4. Choose Pooling Method: Wählen Sie eine Pooling-Methode (Max, Average oder None) aus dem Dropdown-Menü Pooling.

  5. Evaluate: Führen Sie den Funktionsblock aus, um das ausgewählte VGG-Modell zu erstellen und zurückzugeben, das dann bereit ist, um Bilder zu bewerten.

📊 Bewertung

Wenn er ausgeführt wird, erstellt und gibt dieser Funktionsblock ein VGG-Modell zurück, das Bilder der angegebenen Größe verarbeitet und die ausgewählte Pooling-Methode anwendet, bereit für die Inferenz.

💡 Tipps und Tricks

Wählen der Eingangsgröße

Für optimale Ergebnisse sollten Sie gängige Eingangsgrößen wie 64, 128 oder 224 verwenden, je nach Ihrem Datensatz und der Auswahl des Modells. Modelle wie VGG werden häufig mit 224x224-Bildern trainiert.

Pooling-Methoden

Testen Sie verschiedene Pooling-Methoden, um zu sehen, wie sich diese auf die Leistung des neuronalen Netzwerks auswirken. Durchschnittliches Pooling kann die Dimensionalität effektiv reduzieren, während maximales Pooling möglicherweise Merkmale besser bewahrt.

Berücksichtigung des Modelltyps

Sowohl VGG16 als auch VGG19 haben ähnliche Funktionen, aber VGG19 hat mehr Schichten und kann subtilere visuelle Merkmale besser erfassen. Je nach Anwendungsfall kann es unterschiedliche Klassifizierungsergebnisse liefern.

🛠️ Fehlersuche

Ungültige Eingangsgröße

Stellen Sie sicher, dass die angegebene Eingangsgröße ein numerischer Wert ist und nicht kleiner als 32. Dieser Eingang ist entscheidend, damit das Modell die eingehenden Bilder korrekt verarbeiten kann.

Farbtyp-Anforderung RGB

Wenn Sie auf einen Fehler bezüglich des Eingangsfarbtyps stoßen, stellen Sie sicher, dass Ihre Bilder im RGB-Format vorliegen, da das VGG-Modell speziell darauf trainiert ist, solche Farbeingaben zu erkennen.

PreviousModel ResNetNextOptimizer Adadelta

Last updated 7 months ago

Was this helpful?

🧱