CN106339917A - 一种商品模型训练方法及装置 - Google Patents

Abstract

本发明公开了一种商品模型训练方法及装置，用于通过深度学习的方式训练并获取商品模型。所述方法包括：获取视频节目中的图像，并在所述图像中标记出商品所在区域；根据预设参数将已标记出的各商品对应存储至XML文件中；根据预设的深度学习的算法对已标记的所有商品进行训练并获取商品模型。该方案通过深度学习的方式训练并获取商品模型，且该方法提升了商品模型训练的准确度和识别效率，提升了用户体验。

Description

一种商品模型训练方法及装置

技术领域

本发明涉及商品模型领域，特别涉及一种商品模型训练方法及装置。

背景技术

在电商系统中，给用户推荐商品是提高商品销量的常用手段，而在推荐过程中，商品模型至关重要，是整个电商系统的核心；目前，可以通过训练获取商品模型并根据商品模型来对待推荐商品进行模拟，获得待推荐商品的预测输出，进而向用户进行推荐。随着科学技术的发展，对于商品模型的训练要求生成的商品模型准确度越来越高，训练效率要求也越来越高，现有的商品模型训练方法逐渐不能满足当前的需求，因此急需一种高效准确的商品模型训练方法。

发明内容

本发明提供一种商品模型训练方法及装置，通过深度学习的方式训练并获取商品模型，且该方法提升了商品模型训练的准确度和识别效率，提升了用户体验。根据本发明实施例的第一方面，提供一种商品模型训练方法，包括：

获取视频节目中的图像，并在所述图像中标记出商品所在区域；

根据预设参数将已标记出的各商品对应存储至XML文件中；

根据预设的深度学习的算法对已标记的所有商品进行训练并获取商品模型。

在一个实施例中，所述根据预设参数将已标记出的各商品对应存储至XML文件中，包括：

获取已标记出的各商品的商品名称以及各商品所在区域在所述图像中所处的位置；

根据商品名称以及商品所在区域在所述图像中所处的位置将各商品分类存储至XML文件中。

在一个实施例中，所述根据预设的深度学习的算法对已标记的所有商品进行训练并获取商品模型，包括：

获取已标注的图像的数量，并检测已标注的图像数量是否达到第一预设数量；

在已标注的图像数量达到第一预设数量时，检测存储于XML文件中的商品类别是否达到第二预设数量；

在存储于XML文件中的商品类别达到第二预设数量时，根据预设的深度学习的算法对已标记的所有商品进行训练，并在训练至迭代达到收敛之后获取商品模型。

在一个实施例中，所述预设的深度学习的算法包括基于caffe框架的faster-rcnn算法。

在一个实施例中，所述根据预设的深度学习的算法对已标记的所有商品进行训练并获取商品模型之后，还包括：

根据获取的所述商品模型对视频节目图像中的商品进行识别。

根据本发明实施例的第二方面，还提供一种商品模型训练装置，包括：

标记模块，用于获取视频节目中的图像，并在所述图像中标记出商品所在区域；

存储模块，用于根据预设参数将已标记出的各商品对应存储至XML文件中；

训练模块，用于根据预设的深度学习的算法对已标记的所有商品进行训练并获取商品模型。

在一个实施例中，所述存储模块包括：

获取子模块，用于获取已标记出的各商品的商品名称以及各商品所在区域在所述图像中所处的位置；

存储子模块，用于根据商品名称以及商品所在区域在所述图像中所处的位置将各商品分类存储至XML文件中。

在一个实施例中，所述训练模块包括：

第一检测子模块，用于获取已标注的图像的数量，并检测已标注的图像数量是否达到第一预设数量；

第二检测子模块，用于在已标注的图像数量达到第一预设数量时，检测存储于XML文件中的商品类别是否达到第二预设数量；

训练子模块，用于在存储于XML文件中的商品类别达到第二预设数量时，根据预设的深度学习的算法对已标记的所有商品进行训练，并在训练至迭代达到收敛之后获取商品模型。

在一个实施例中，所述预设的深度学习的算法包括基于caffe框架的faster-rcnn算法。

在一个实施例中，所述装置还包括：

识别模块，用于根据获取的所述商品模型对视频节目图像中的商品进行识别。

本发明实施例提供的技术方案可产生以下有益效果：获取视频节目中的图像，并在所述图像中标记出商品所在区域；根据预设参数将已标记出的各商品对应存储至XML文件中；根据预设的深度学习的算法对已标记的所有商品进行训练并获取商品模型。该方案通过深度学习的方式训练并获取商品模型，且该方法提升了商品模型训练的准确度和识别效率，提升了用户体验。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

在附图中：

图1为本发明根据一示例性实施例示出的一种商品模型训练方法的流程图。

图2为本发明根据一示例性实施例示出的一种商品模型训练方法的步骤S20的流程图。

图3为本发明根据一示例性实施例示出的一种商品模型训练方法的步骤S30的流程图。

图4为本发明根据一示例性实施例示出的另一种商品模型训练方法的流程图。

图5为本发明根据一示例性实施例示出的一种商品模型训练装置的框图。

图6为本发明根据一示例性实施例示出的一种商品模型训练装置的存储模块62的框图。

图7为本发明根据一示例性实施例示出的一种商品模型训练装置的训练模块63的框图。

图8为本发明根据一示例性实施例示出的另一种商品模型训练装置的框图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本公开实施例提供了一种商品模型训练方法，用于通过深度学习的方式训练并获取商品模型，且该方法提升了商品模型训练的准确度和识别效率，提升了用户体验。如图1所示，该方法包括步骤S10-S30：

在步骤S10中，获取视频节目中的图像，并在所述图像中标记出商品所在区域；其中，商品所在区域的标记方式可以根据需求进行设定，比如，设定用方框在所述图像中标记出商品所在区域，当然，也可以用其他方式来替代方框进行标记，比如用圆圈圈出或者其他可替代的方式来进行标记。可理解的，在获取视频节目中的图像之后，可以首先判断该图像中是否存在商品，如果所述图像中存在商品，则在所述图像中标记商品所在区域；如果所述图像中并不存在商品，则将所述图像丢弃之后，继续获取其他图像。

在步骤S20中，根据预设参数将已标记出的各商品对应存储至XML文件中；其中，所述预设参数包括但不限定于为商品名称、商品分类、商品所在区域在所述图像中所处的位置等；且在本实施例中，根据预设参数将已标记出的各商品对应存储至XML(ExtensibleMarkup Language：可扩展标记语言)文件中，可理解的，各商品也可以根据其预设参数对应存储至数据库中不同的存储区域中，或者将其存储至其他的表格中，只要方便调取进行训练即可。

在步骤S30中，根据预设的深度学习的算法对已标记的所有商品进行训练并获取商品模型。在一个实施例中，所述预设的深度学习的算法包括基于caffe框架的faster-rcnn算法。可理解的，所述预设的深度学习的算法并不限定于基于caffe框架的faster-rcnn算法，只要能在对已标记所有商品进行训练，且在训练过程中经过若干次迭代之后达到收敛并获取商品模型的效果即可。

在一个实施例中，如图2所示，所述步骤S20包括：

步骤S201、获取已标记出的各商品的商品名称以及各商品所在区域在所述图像中所处的位置；在本实施例中，所述预设参数包括商品名称、商品所在区域在所述图像中所处的位置以及商品分类。

步骤S202、根据商品名称以及商品所在区域在所述图像中所处的位置将各商品分类存储至XML文件中。在本实施例中，根据预设参数中的商品名称以及商品所在区域在所述图像中所处的位置，将已标记出的各商品分类对应存储至XML文件中，可理解的，各商品也可以根据其商品名称以及商品所在区域在所述图像中所处的位置分类对应存储至数据库中不同的存储区域中，或者将其分类对应存储至其他的表格中，只要方便调取进行训练即可。

在一个实施例中，如图3所示，所述步骤S30包括：

步骤S301、获取已标注的图像的数量，并检测已标注的图像数量是否达到第一预设数量；可理解的，用于进行训练的包含商品的图像数量(即第一预设数量)可以根据需求进行设定，比如可以设定所述第一预设数量为二十万、三十万或其他所需求的数值。

步骤S302、在已标注的图像数量达到第一预设数量时，检测存储于XML文件中的商品类别是否达到第二预设数量；可理解的，所述商品的类别的数量(即第二预设数量)可以根据需求进行设定，比如可以设定所述第二预设数量为五十种或其他所需求的数值。

步骤S303、在存储于XML文件中的商品类别达到第二预设数量时，根据预设的深度学习的算法对已标记的所有商品进行训练，并在训练至迭代达到收敛之后获取商品模型。在一个实施例中，所述预设的深度学习的算法包括基于caffe框架的faster-rcnn算法。可理解的，所述预设的深度学习的算法并不限定于基于caffe框架的faster-rcnn算法，只要能在对已标记所有商品进行训练，且在训练过程中经过若干次(比如几万次)迭代之后达到收敛并获取商品模型的效果即可。

在一个实施例中，如图4所示，所述方法的步骤S30之后还包括步骤S40：

在步骤S40中，根据获取的所述商品模型对视频节目图像中的商品进行识别。也即，所述商品模型在训练生成之后，即可用于对视频节目出现的商品进行检测。

本发明实施例提供的上述方法，获取视频节目中的图像，并在所述图像中标记出商品所在区域；根据预设参数将已标记出的各商品对应存储至XML文件中；根据预设的深度学习的算法对已标记的所有商品进行训练并获取商品模型。该方案通过深度学习的方式训练并获取商品模型，且该方法提升了商品模型训练的准确度和识别效率，提升了用户体验。

对应本发明实施例提供的商品模型训练方法，本发明还提供商品模型训练装置，如图5所示，该装置可包括：

标记模块61，用于获取视频节目中的图像，并在所述图像中标记出商品所在区域；其中，商品所在区域的标记方式可以根据需求进行设定，比如，设定用方框在所述图像中标记出商品所在区域，当然，也可以用其他方式来替代方框进行标记，比如用圆圈圈出或者其他可替代的方式来进行标记。可理解的，在获取视频节目中的图像之后，可以首先判断该图像中是否存在商品，如果所述图像中存在商品，则在所述图像中标记商品所在区域；如果所述图像中并不存在商品，则将所述图像丢弃之后，继续获取其他图像。

存储模块62，用于根据预设参数将已标记出的各商品对应存储至XML文件中；其中，所述预设参数包括但不限定于为商品名称、商品分类、商品所在区域在所述图像中所处的位置等；且在本实施例中，根据预设参数将已标记出的各商品对应存储至XML文件中，可理解的，各商品也可以根据其预设参数对应存储至数据库中不同的存储区域中，或者将其存储至其他的表格中，只要方便调取进行训练即可。

训练模块63，用于根据预设的深度学习的算法对已标记的所有商品进行训练并获取商品模型。在一个实施例中，所述预设的深度学习的算法包括基于caffe框架的faster-rcnn算法。可理解的，所述预设的深度学习的算法并不限定于基于caffe框架的faster-rcnn算法，只要能在对已标记所有商品进行训练，且在训练过程中经过若干次迭代之后达到收敛并获取商品模型的效果即可。

在一个实施例中，如图6所示，所述存储模块62包括：

获取子模块621，用于获取已标记出的各商品的商品名称以及各商品所在区域在所述图像中所处的位置；在本实施例中，所述预设参数包括商品名称、商品所在区域在所述图像中所处的位置以及商品分类。

存储子模块622，用于根据商品名称以及商品所在区域在所述图像中所处的位置将各商品分类存储至XML文件中。在本实施例中，根据预设参数中的商品名称以及商品所在区域在所述图像中所处的位置，将已标记出的各商品分类对应存储至XML文件中，可理解的，各商品也可以根据其商品名称以及商品所在区域在所述图像中所处的位置分类对应存储至数据库中不同的存储区域中，或者将其分类对应存储至其他的表格中，只要方便调取进行训练即可。

在一个实施例中，如图7所示，所述训练模块63包括：

第一检测子模块631，用于获取已标注的图像的数量，并检测已标注的图像数量是否达到第一预设数量；可理解的，用于进行训练的包含商品的图像数量(即第一预设数量)可以根据需求进行设定，比如可以设定所述第一预设数量为二十万、三十万或其他所需求的数值。

第二检测子模块632，用于在已标注的图像数量达到第一预设数量时，检测存储于XML文件中的商品类别是否达到第二预设数量；可理解的，所述商品的类别的数量(即第二预设数量)可以根据需求进行设定，比如可以设定所述第二预设数量为五十种或其他所需求的数值。训练子模块633，用于在存储于XML文件中的商品类别达到第二预设数量时，根据预设的深度学习的算法对已标记的所有商品进行训练，并在训练至迭代达到收敛之后获取商品模型。在一个实施例中，所述预设的深度学习的算法包括基于caffe框架的faster-rcnn算法。可理解的，所述预设的深度学习的算法并不限定于基于caffe框架的faster-rcnn算法，只要能在对已标记所有商品进行训练，且在训练过程中经过若干次(比如几万次)迭代之后达到收敛并获取商品模型的效果即可。

在一个实施例中，如图8所示，所述装置还包括：

识别模块64，用于根据获取的所述商品模型对视频节目图像中的商品进行识别。也即，所述商品模型在训练生成之后，即可用于对视频节目出现的商品进行检测。

本发明实施例提供的上述装置，通过深度学习的方式训练并获取商品模型，且该方法提升了商品模型训练的准确度和识别效率，提升了用户体验。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序请求实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序请求到通用计算机、专用计算机、嵌入式处理机或其他可编程信息处理设备的处理器以产生一个机器，使得通过计算机或其他可编程信息处理设备的处理器执行的请求产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序请求也可存储在能引导计算机或其他可编程信息处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的请求产生包括请求装置的制造品，该请求装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序请求也可装载到计算机或其他可编程信息处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的请求提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种商品模型训练方法，其特征在于，包括：

获取视频节目中的图像，并在所述图像中标记出商品所在区域；

根据预设参数将已标记出的各商品对应存储至XML文件中；

根据预设的深度学习的算法对已标记的所有商品进行训练并获取商品模型。

2.如权利要求1所述的方法，其特征在于，所述根据预设参数将已标记出的各商品对应存储至XML文件中，包括：

获取已标记出的各商品的商品名称以及各商品所在区域在所述图像中所处的位置；

根据商品名称以及商品所在区域在所述图像中所处的位置将各商品分类存储至XML文件中。

3.如权利要求1所述的方法，其特征在于，所述根据预设的深度学习的算法对已标记的所有商品进行训练并获取商品模型，包括：

获取已标注的图像的数量，并检测已标注的图像数量是否达到第一预设数量；

在已标注的图像数量达到第一预设数量时，检测存储于XML文件中的商品类别是否达到第二预设数量；

在存储于XML文件中的商品类别达到第二预设数量时，根据预设的深度学习的算法对已标记的所有商品进行训练，并在训练至迭代达到收敛之后获取商品模型。

4.如权利要求1至3任一项所述的方法，其特征在于，所述预设的深度学习的算法包括基于caffe框架的faster-rcnn算法。

5.如权利要求1所述的方法，其特征在于，所述根据预设的深度学习的算法对已标记的所有商品进行训练并获取商品模型之后，还包括：

根据获取的所述商品模型对视频节目图像中的商品进行识别。

6.一种商品模型训练装置，其特征在于，包括：

标记模块，用于获取视频节目中的图像，并在所述图像中标记出商品所在区域；

存储模块，用于根据预设参数将已标记出的各商品对应存储至XML文件中；

训练模块，用于根据预设的深度学习的算法对已标记的所有商品进行训练并获取商品模型。

7.如权利要求6所述的装置，其特征在于，所述存储模块包括：

获取子模块，用于获取已标记出的各商品的商品名称以及各商品所在区域在所述图像中所处的位置；

存储子模块，用于根据商品名称以及商品所在区域在所述图像中所处的位置将各商品分类存储至XML文件中。

8.如权利要求6所述的装置，其特征在于，所述训练模块包括：

第一检测子模块，用于获取已标注的图像的数量，并检测已标注的图像数量是否达到第一预设数量；

第二检测子模块，用于在已标注的图像数量达到第一预设数量时，检测存储于XML文件中的商品类别是否达到第二预设数量；

训练子模块，用于在存储于XML文件中的商品类别达到第二预设数量时，根据预设的深度学习的算法对已标记的所有商品进行训练，并在训练至迭代达到收敛之后获取商品模型。

9.如权利要求6至8任一项所述的装置，其特征在于，所述预设的深度学习的算法包括基于caffe框架的faster-rcnn算法。

10.如权利要求9所述的装置，其特征在于，所述装置还包括：

识别模块，用于根据获取的所述商品模型对视频节目图像中的商品进行识别。