halcon的深度学习只做3件事，即“分类”，“对象检测”，“分割”。下面是“对象检测”的例子。这个例子是检测香烟的品牌。下图是训练完成后实际检测的效果。训练时注意下面几个问题：（一）图像宽高要求：1.图像宽高需是64的整数倍；2.最好在图像标注之前，就对图像缩放或裁剪至合适宽高；3.如果已在不符合要求的图像上完成标注，那么需要把图像扩充至合适宽高；避免单纯对图像进行缩放或裁剪，导致图像与标注坐标不一致影响标注准确性；（二）深度学习对gpu的要求深度学习在训练阶段需要使用gpu，推理阶段可以使用
深度学习是一个对算力要求很高的领域，GPU的选择将从根本上决定你的深度学习体验。如果没有GPU，可能你完成整个实验需要几个月，甚至当你只想看看参数调整、模型修改后的效果时，那可能也得耗费1天或更久的时间。凭借性能良好、稳定的GPU，人们可以快速迭代深层神经网络的架构设计和参数，把原本完成实验所需的几个月压缩到几天，或是把几天压缩到几小时，把几小时压缩到几分钟。因此，在选购GPU时做出正确选择至关重要。下面是华盛顿大学博士Tim Dettmers结合竞赛经验给出的GPU选择建议，有需要的读者可把它
对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限。世界上最遥远的距离就是我们用同一个模型，但是却有不同的任务。但是数据标注是个耗时耗力的工作，下面介绍几个图像标注工具：LabelmeLabelme适用于图像分割任务的数据集制作：它来自下面的项目：https://github.com/wkentaro/labelme该软件实现了最基本的分割数据标注工作，在save后将保持Object的一些信息到一个json文件中，如下：https://github.com/wkentaro