一、模型的特點及選用
A、 當前使用的halcon版本為19.12，可用於分類的模型有以下幾種
① pretrained_dl_classifier_alexnet.hdl
② pretrained_dl_classifier_compact.hdl
③ pretrained_dl_classifier_enhanced.hdl
④ pretrained_dl_classifier_resnet50.hdl
B、 以上總共有四種模型，每一種模型對應不同的預訓練網絡。每一種模型都有各自的特點。當前根據我們在M7000上對比測試的效果來看，我們選用第四種預訓練模型的基礎上訓練出來的總體檢測效果最佳。
C、 第二種模型為迷你型分類網絡，該網絡的特點是節省內存及運行效率高。網絡沒有全連接層。圖像尺寸不能低於15*15。
D、第三種模型為增強型網絡模型，含有更多的隱含層。相比於迷你型網絡需要更多的內存及其它資源，含有全連接層。圖片大小不能小於47*47。
E、 第四種模型，其網絡比其它類型的預訓練網絡更加復雜，對於復雜類型的分類任務，其魯棒性和穩定性要更好。圖像不能小於32*32。
二、超參數及其設置
A、 超參數的分類：網絡參數、優化參數、正則化參數
① 網絡參數：可指網絡層與層之間的交互方式（相加、相乘或者串接等）、卷積核數量和卷積核尺寸、網絡層數（也稱深度）和激活函數等。
② 優化參數：一般指學習率（learning rate）、批樣本數量（batch size）、不同優化器的參數以及部分損失函數的可調參數。
③ 正則化參數：權重衰減系數，丟棄法比率（dropout）。
B、 超參數的重要性順序：
① 學習率及損失函數可調參數。
② 批樣本數量及動量參數的設置。
③ Adam優化器的超參數、權重衰減系數、丟棄法比率（dropout）和網絡參數。
C、 超參數詳細分類
D、當前經測試得出的較優參數配置：
① 學習率為0.001
② 批處理大小最大只能設置到18，當前顯卡RTX2080。
③ 動量參數設置為0.9
④ NumEpochs 為100~128
三、圖像大小與縮放
圖像的縮放對最終模型的訓練結果有較大影響，因圖片最大的圖片不超過400*400，因此圖像縮放后有很多細節部分被丟棄，導致訓練出來的模型整體穩定性較差，誤報及漏報均較高。因此需要注意圖像的縮放問題。
四、圖像訓練使用的NG圖片數量與OK圖片數量。
① 圖片的挑選必須按照一定的規則進行，OK圖片與NG圖片不能混雜，否則訓練出來的模型會預測混亂。
② OK圖片與NG圖片的數量根據當前的情況分析大約在5:1的情況下表現較好。（對於這個比例問題后續還需要做更多的驗證）