五、人工智能网络训练与预（图片、视频、人脸和车牌）

人工智能网络训练与预测，包含 图片训练及预测和视频训练及预测

1 、图片训练及预测

打开 TeguCV GUI，选择 IMAGE DETECTION 模块。

（安装包中的 TeguCV GUI 1.15/Dataset/CarDataset 可用于学习本章教程内容）

• 新建项目

点击新建项目 New Project，开启新的神经网络训练工作（仅支持英文路径及项目名）。

填写必要信息，即可新建项目。

• 打开项目

点击打开项目 Open Project，使用之前的训练项目继续训练工作。

程序会自动记录上一个训练程序的路径。在 TeguCV GUI 中，训练工程文件的后缀名为「.tegu」。

新建项目或打开项目后，可以看到以下界面。

红色区域为参数区，蓝色区域为日志区。

• 训练区模块

Epoch 最大训练轮次	使用全部数据训练一次为一个epoch；模型训练达到设定的最大训练轮次数时，训练自动停止。
Learning Rate 学习率	学习率控制的是参数的更新速度，学习率设置过大，会导致损失函数在极小值附近来回变化，不收敛，学习率设置过小，会导致学习速度变慢。
Data root 训练集数据位置	数据 (图片或视频) 的文件路径 （仅支持英文路径）
Serval Path 标注位置	使用Tegu标注的结果(.serval 文件）路径 （仅支持英文路径）
Model Save Path 模型保存位置	训练过程中生成的模型的保存位置 （仅支持英文路径）
Save Epoch 每X轮保存一次	每训练x轮次保存一次模型
Visualization When Save 预览模型效果	每次保存模型时，选择 20% 的数据进行预测，并在 project_path/model/model_name/ 路径下以图片形式展示预测效果。 （Auto Train 模式下不可用）
Start/Stop Train 开始/结束训练	点击点击钮，即可随时开始或结束训练 系统将点击照预设的学习率对模型进行训练，轮次达到「最大训练轮次」Epoch 值时自动完成训练。
Start/Stop Auto Train 开始/结束自动训练	点击点击钮，系统将自动搜寻最佳 Learning Rate。 搜索完毕后将最佳 Learning Rate 填入 Learning Rate 栏中。用户此时可使用推荐的 Learning Rate，点击 Start Train 开始训练。

• 日志区

在预测时，日志区会展示出训练效果。

日志中各指标如下：

current epoch 当前轮次	当前的训练的轮次
total epoch 总轮次	与训练是指定的「最大训练轮次」一致，训练到达这个轮次时自动停止。
loss 训练集误差	训练集数据的预测结果与标注结果对比后的误差
val loss 校验集误差	校验集数据的预测结果与标注结果对比后的误差
rec 召回率	代表对目标物体而言，有多少物体被成功检测。 rec = True Positive/(True Positive + False Negative)
prec 精确率	代表对预测结果而言，有多少预测结果是真正正确的 prec = True Positive/(True Positive + False Positive)
mAP 平均精度均值	综合衡量精确率与召回率的重要指标。总体来说，mAP 值越高，模型预测效果越好。

• 预测区模块

Model Path 模型路径	使用Tegu训练生成的模型 .tegumodel 路径 （仅支持英文路径）
Data Path 预测数据集路径	希望预测的数据的存放路径 （仅支持英文路径）
Result Save Path 结果保存路径	预测结果存放路径 （仅支持英文路径）
Visualize When Predict 预览预测结果	预测时，预测结果不仅以 txt 格式保存，并且会在 project_path/predict/predict-hr-mm-ss/ 下在图片中展示预测结果
Start/Stop Predict 开始/停止预测	点击点击钮，开始/暂停预测 预测结果将存储在 project_path/predict/predict-hr-mm-ss.txt
Categorize into Folders 文件分类	将文件分类到不同的文件夹中，每个物体单独存为一个文件夹。

2、视频训练

打开 TeguCV GUI，选择 VIDEO CLASSIFICATION 模块。

• 新建项目

点击新建项目 New Project，开启新的深度学习网络训练工作。

填写必要信息，即可新建项目。

• 打开项目

点击打开项目 Open Project，使用之前的训练项目继续训练工作。

程序会自动记录上一个训练程序的路径。在 Tegu 中，训练工程文件的后缀名为「.tegu」。

新建项目或打开项目后，可在界面中对视频数据进行预处理。输入数据及保存路径后，点击 Process 将视频转换为机器学习中常见的 .hdf5 格式。如果你已经有相应的 hdf5 文件，可直接点击 Next Step 跳过预处理步骤（仅支持英文路径）。

完成视频预处理，点击 Next Step 可以看到以下界面。

红色区域为参数区，蓝色区域为日志区。

• 训练区模块

Epoch 最大训练轮次	使用全部数据训练一次为一个epoch；模型训练达到设定的最大训练轮次数时，训练自动停止。
Learning Rate 学习率	学习率控制的是参数的更新速度，学习率设置过大，会导致损失函数在极小值附近来回变化，不收敛，学习率设置过小，会导致学习速度变慢。
Data root 训练集数据位置	数据 (图片或视频) 的文件路径 （仅支持英文路径）
Hdf5 Path	预处理时所获得的 Hdf5 文件路径 （仅支持英文路径）
Annotation Path 标注位置	使用Tegu标注的结果(.serval 文件）路径 （仅支持英文路径）
Model Save Path 模型保存位置	训练过程中生成的模型的保存位置
Save Epoch 每X轮保存一次	每训练x轮次保存一次模型
Train/Stop Train 开始/结束训练	点击点击钮，即可随时开始或结束训练 系统将点击照预设的学习率对模型进行训练，轮次达到「最大训练轮次」Epoch 值时自动完成训练。

• 预测区模块

Model Path 模型路径	使用Tegu训练生成的模型 .tegumodel 路径 （仅支持英文路径）
Data Path 预测数据集路径	希望预测的数据的存放路径 （仅支持英文路径）
Result Save Path 结果保存路径	预测结果存放路径 （仅支持英文路径）
Start/Stop Predict 开始/停止预测	点击点击钮，开始/暂停预测

• 日志区

在训练时，日志区会展示出训练效果。

日志中各指标如下：

current epoch 当前轮次	当前的训练的轮次
total epoch 总轮次	与训练是指定的「最大训练轮次」一致，训练到达这个轮次时自动停止。
loss 训练集误差	训练集数据的预测结果与标注结果对比后的误差
val loss 校验集误差	校验集数据的预测结果与标注结果对比后的误差

3、人脸识别

打开 TeguCV GUI，选择 Face Detection 模块。

• Build Face Dataset 建立人脸模型

在 Face Dataset 中输入人脸数据集路径。点击 Start Build Manager 开始为人脸建模。人脸数据集结构应与下图中数据结构相仿：

• Run Detection 人脸识别预测

在 Data Path 输入需要预测的图片文件夹路径。在 Result Save Path 中输入结果存储路径。根据你使用场景对可靠性的要求（如刷脸进门等），我们允许你调节 Threshold。Threshold 值越高，检出率越高，但误检率也会有所提高。Threshold 值越低，检出率越低，但误检率也会有所降低。点击 Start Detection 开始预测。预测结果将同步显示在右侧日志栏，同时将以 detection-face-hr-mm-ss 格式存储于项目路径下。

4、车牌识别

打开 TeguCV GUI，选择 License Plate Detection 模块。

在 Data Path 输入需要预测的图片文件夹路径。在 Result Save Path 中输入结果存储路径，点击 Start Detection 开始预测。预测结果将同步显示在右侧日志栏。