CN109145942B - 用于智能识别的图像处理方法及装置 - Google Patents

Abstract

本申请公开了一种用于智能识别的图像处理方法及装置。该图像处理方法包括接收用户选择的标记数据；根据用户输入的预设图像训练程度得到训练数据；以及根据所述训练数据生成用于识别预期识别目标的图像识别模型。本申请解决了用户想要对图像进行智能识别时具有技术门槛要求的技术问题。本申请实现了以下技术效果：可以使客户只需在花很少时间掌握基本操作要领后便可实现对软件的灵活应用。使用者只需要跟着本发明提供的方法的每一步的提示进行操作，即可轻松获得预期模型。该装置消除了机器学习的使用门槛，客户可在该方法提供的通用框架上根据自身需求实现任何与图片/视频相关的识别需求。

Description

用于智能识别的图像处理方法及装置

技术领域

本申请涉及机器学习、图像识别领域，具体而言，涉及一种用于智能识别的图像处理方法及装置。

背景技术

机器学习运用在图片识别领域中时，从目标物体或动作的特征提取、特征选取、特征构造到特征学习。

发明人发现，用户如果想要识别图像智能识别时，无法准确地获得可定制化的图像识别服务。进一步，用户甚至需要有机器学习相关的技术背景的技术人员，对于一些工业企业而言难以实现。

针对相关技术中用户想要对图像进行智能识别时具有技术门槛要求的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种用于智能识别的图像处理方法及装置，以解决用户想要对图像进行智能识别时具有技术门槛要求的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种用于智能识别的图像处理方法。

根据本申请的用于智能识别的图像处理方法包括：

接收用户选择的标记数据；

根据用户输入的预设图像训练程度得到训练数据；以及

根据所述训练数据生成用于识别预期识别目标的图像识别模型。

进一步地，接收用户选择的标记数据包括：

接收用户选择的数据类型；

如果所述数据类型为图片图像数据，则接收用户对所述图片图像数据中的目标物选择的图片图像标签；以及

确定用户对所述图像标签的位置标记。

进一步地，接收用户选择的标记数据包括：

接收用户选择的数据类型；

如果所述数据类型为视频图像数据，则接收用户对所述视频图像数据中的动作帧选择的视频图像标签；以及

确定用户对所述视频图像标签的帧片段动作长度。

进一步地，根据用户输入的预设图像训练程度得到训练数据包括：

根据用户输入的预设图像训练程度获取第一用户处理身份；

根据所述第一用户处理身份向所述第一用户推荐网络模型；

导入所述第一用户选择的第一标记数据；以及

通过所述网络模型和所述第一标记数据确定所述网络模型部署方式。

进一步地，根据用户输入的预设图像训练程度得到训练数据包括：

根据用户输入的预设图像训练程度获取第二用户处理身份；

根据所述第二用户处理身份向所述第二用户开放训练数据接口；

根据第二用户的数据标记操作触发所述第二用户选择的第二标记数据；

根据训练数据接口输入选择的网络模型和训练参数；以及

通过所述网络模型、训练参数以及所述第二标记数据确定所述网络模型部署方式。

进一步地，根据训练数据生成用于识别预期识别目标的图像识别模型括：

接收用户的登录信息；

确定用户登录后设定的预期识别目标和导入标记数据；

接收用户的数据生成操作指令；以及

根据所述数据生成操作指令按照所述预期识别目标和标记数据训练生成图像识别模型。

为了实现上述目的，根据本申请的另一方面，提供了一种用于智能识别的图像处理装置。

根据本申请的图像处理装置包括：

接收模块，用于接收用户选择的标记数据；

训练模块，用于根据用户输入的预设图像训练程度得到训练数据；以及

生成模块，用于根据所述训练数据生成用于识别预期识别目标的图像识别模型。

进一步的，所述接收模块包括：

第一接收单元，用于接收用户选择的数据类型；

图片图像单元，用于如果所述数据类型为图片图像数据，则接收用户对所述图片图像数据中的目标物选择的图片图像标签；以及

第一确定单元，用于确定用户对所述图像标签的位置标记。

进一步的，所述接收模块包括：

第二接收单元，用于接收用户选择的数据类型；

视频图像单元，用于如果所述数据类型为视频图像数据，则接收用户对所述视频图像数据中的动作帧选择的视频图像标签；以及

第二确定单元，用于确定用户对所述视频图像标签的帧片段动作长度。

进一步的，所述训练模块包括：

获取单元，用于根据用户输入的预设图像训练程度获取第一用户处理身份；

推荐单元，用于根据所述第一用户处理身份向所述第一用户推荐网络模型；

导入单元，用于导入所述第一用户选择的第一标记数据；以及

确定单元，用于通过所述网络模型和所述第一标记数据确定所述网络模型部署方式。

在本申请实施例中，通过接收用户选择的标记数据，根据用户输入的预设图像训练程度得到训练数据，达到了识别预期识别目标的图像识别模型的目的，从而实现了智能识别出图像识别模型的技术效果，进而解决了用户想要对图像进行智能识别时具有技术门槛要求的技术问题。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请第一实施例的用于智能识别的图像处理方法示意图；

图2是根据本申请第二实施例的用于智能识别的图像处理方法示意图；

图3是根据本申请第三实施例的用于智能识别的图像处理方法示意图；

图4是根据本申请第四实施例的用于智能识别的图像处理方法示意图；

图5是根据本申请第五实施例的用于智能识别的图像处理方法示意图；

图6是根据本申请第六实施例的用于智能识别的图像处理方法示意图；

图7是根据本申请第一实施例的用于智能识别的图像处理装置示意图；

图8是根据本申请第二实施例的用于智能识别的图像处理装置示意图；

图9是根据本申请第三实施例的用于智能识别的图像处理装置示意图；

图10是根据本申请第四实施例的用于智能识别的图像处理装置示意图；

图11a是根据本申请第一实施例的用于智能识别的图像处理方法流程图；以及

图11b是根据本申请第二实施例的用于智能识别的图像处理方法流程图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如图1所示，该方法包括如下的步骤S102至步骤S106：

步骤S102，接收用户选择的标记数据；

优选地，标记数据可以是图片图像数据的图片图像标签，还可以是视频图像数据的视频图像标签。

接收用户选择的标记数据可以是接收用户在标记系统选择的数据类型、文件、标签等。

步骤S104，根据用户输入的预设图像训练程度得到训练数据；以及

优选地，预设图像训练程度可以是用户对自身水平的身份选择，例如可以是初学者或专家。

根据用户输入的预设图像训练程度得到训练数据可以是用户根据自身水平进行身份选择(初学者或专家)，相关信息通过数据库服务器；若使用者选择“初学者”身份，则系统为其推荐网络；增加标记工程，开始标记；开始训练。

根据用户输入的预设图像训练程度得到训练数据还可以是若使用者选择“专家”身份，则系统为其推荐网络；增加标记工程，开始标记；选择网络；设定参数；开始训练。

步骤S106，根据所述训练数据生成用于识别预期识别目标的图像识别模型。

优选地，预期识别目标可以是用户提供的待识别的图片图像数据，还可以是用户提供的待识别的视频图像数据。

根据所述训练数据生成用于识别预期识别目标的图像识别模型可以是根据选择的网络，系统为其推荐部署方式；是否需要优化模型，选择其他部署方式；完成部署。

如图2所示，接收用户选择的标记数据包括如下的步骤S202至步骤S206：

步骤S202，接收用户选择的数据类型；

优选地，数据类型可以是图片图像数据，还可以是视频图像数据。

接收用户选择的数据类型可以是接收用户选择的图片图像数据，还可以是接收用户选择的视频图像数据。

步骤S204，如果所述数据类型为图片图像数据，则接收用户对所述图片图像数据中的目标物选择的图片图像标签；以及

优选地，如果所述数据类型为图片图像数据，则接收用户对所述图片图像数据中的目标物选择的图片图像标签，例如图片图像标签可以是香烟、面包、手机等。

步骤S206，确定用户对所述图像标签的位置标记。

优选地，在系统中提供用户可选择的位置标签，例如图片右上部、左上部、中部、右下部、左下部等。

确定用户对所述图像标签的位置标记可以是根据用户选择的位置标签确定所述图像标签的位置标记。

例如，香烟位于图片右上部，面包位于图片左下部，手机位于图片中部等。

如图3所示，接收用户选择的标记数据包括如下的步骤S302至步骤S306：

步骤S302，接收用户选择的数据类型；

优选地，数据类型可以是视频图像数据，还可以是图片图像数据。

接收用户选择的数据类型可以是接收用户选择的视频图像数据，还可以是接收用户选择的图片图像数据。

步骤S304，如果所述数据类型为视频图像数据，则接收用户对所述视频图像数据中的动作帧选择的视频图像标签；以及

优选地，视频图像标签可以是动作帧之间发生了的某个动作，例如，在第5帧到第15帧之间发生了吃面包的动作。

如果所述数据类型为视频图像数据，则接收用户对所述视频图像数据中的动作帧选择的视频图像标签可以是接收用户对视频图像数据中多个视频图像标签的选择。

步骤S306，确定用户对所述视频图像标签的帧片段动作长度。

优选地，帧片段动作长度可以是某一动作发生的时长。

例如，确定用户对所述视频图像标签的帧片段动作长度可以是确定吃面包的动作发生在第5帧到第15帧之间，还可以是其它任意可标记的视频中发生的动作。

如图4所示，根据用户输入的预设图像训练程度得到训练数据包括如下的步骤S402至步骤S408：

步骤S402，根据用户输入的预设图像训练程度获取第一用户处理身份；

优选地，第一用户进入训练系统，登陆系统或者注册并提供用户信息，相关信息通过数据库服务器；用户根据自身水平进行身份选择(初学者或专家)，相关信息通过数据库服务器；若使用者选择“初学者”身份，则系统为其推荐网络；若使用者选择“专家”身份，则系统为其推荐网络。

步骤S404，根据所述第一用户处理身份向所述第一用户推荐网络模型；

优选地，根据第一用户选择的身份标签向第一用户推荐网络模型。

例如，第一用户选择“初学者”身份，则为其推荐较为简单的网络模型；

又例如，第一用户选择“专家”身份，则为其推荐较为复杂的网络模型。

步骤S406，导入所述第一用户选择的第一标记数据；以及

例如，第一标记数据可以是图片图像数据的图片图像标签，还可以是视频图像数据的视频图像标签。

导入所述第一用户选择的第一标记数据可以是导入第一用户在标记系统选择的数据类型、文件、标签等。

步骤S408，通过所述网络模型和所述第一标记数据确定所述网络模型部署方式。

优选地，网络模型部署方式可以是将导入的第一标记数据输入到推荐的网络模型中。

如图5所示，根据用户输入的预设图像训练程度得到训练数据包括如下的步骤S502至步骤S510：

步骤S502，根据用户输入的预设图像训练程度获取第二用户处理身份；

优选地，第二用户进入训练系统，登陆系统或者注册并提供用户信息，相关信息通过数据库服务器；用户根据自身水平进行身份选择(初学者或专家)，相关信息通过数据库服务器；若使用者选择“初学者”身份，则系统为其推荐网络；若使用者选择“专家”身份，则系统为其推荐网络。

步骤S504，根据所述第二用户处理身份向所述第二用户开放训练数据接口；

优选地，根据所述第二用户处理身份向所述第二用户开放训练数据接口可以是为第二用户提供开始训练模型的接口。

步骤S506，根据第二用户的数据标记操作触发所述第二用户选择的第二标记数据；

优选地，根据第二用户已选择的数据标记出发第二标记数据，调用相应的数据标签。

步骤S508，根据训练数据接口输入选择的网络模型和训练参数；以及

步骤S510，通过所述网络模型、训练参数以及所述第二标记数据确定所述网络模型部署方式。

优选地，根据上述推荐的网络模型、所选的训练参数以及提供的标记数据确定网络模型的训练及部署方式。

例如，网络模型部署方式可以是模型的层数确定为多少，还可以是选择BridgeDriver、Overlay Driver等部署方式。

如图6所示，根据训练数据生成用于识别预期识别目标的图像识别模型括如下的步骤S602至步骤S608：

步骤S602，接收用户的登录信息；

优选地，登陆信息可以是账号、密码。

接受用户的登陆信息可以是根据用户输入的账号、密码等信息确定用户的会员身份以及历史处理数据。

步骤S604，确定用户登录后设定的预期识别目标和导入标记数据；

优选地，预期识别目标可以是图片图像识别目标，还可以是视频图像识别目标。

确定用户登录后设定的预期识别目标和导入标记数据可以是确定用户的识别目标并导入用户选择的标记数据或历史标记数据。

步骤S606，接收用户的数据生成操作指令；以及

优选地，接收用户的数据生成操作指令可以是在用户登陆、选择预期识别目标以及导入标记数据之后提供一生成操作控件按钮，用户点击操作控件后，后台收到操作指令。

步骤S608，根据所述数据生成操作指令按照所述预期识别目标和标记数据训练生成图像识别模型。

优选地，根据上述各步骤采集获取的信息，在后台生成图像识别模型，经过识别为用户提供一个识别结果。

从以上的描述中，可以看出，本申请实现了如下技术效果：本发明提供的用于智能识别的图像处理方法及装置，可以使客户只需在花很少时间掌握基本操作要领后便可实现对软件的灵活应用。软件中已设定好所有网络架构，使用者只需要跟着每一步的提示进行操作，即可轻松获得预期模型。该软件近乎消除了机器学习的使用门槛，客户可在我们提供的通用框架上根据自身需求实现任何与图片/视频相关的识别需求。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

根据本申请实施例，还提供了一种用于实施上述用于智能识别的图像处理方法的图像处理装置，如图7所示，该装置包括：

接收模块10，用于接收用户选择的标记数据；

训练模块20，用于根据用户输入的预设图像训练程度得到训练数据；以及

生成模块30，用于根据所述训练数据生成用于识别预期识别目标的图像识别模型。

如图8所示，所述接收模块10包括：

第一接收单元101，用于接收用户选择的数据类型；

图片图像单元102，用于如果所述数据类型为图片图像数据，则接收用户对所述图片图像数据中的目标物选择的图片图像标签；以及

第一确定单元103，用于确定用户对所述图像标签的位置标记。

如图9所示，所述接收模块10包括：

第二接收单元104，用于接收用户选择的数据类型；

视频图像单元105，用于如果所述数据类型为视频图像数据，则接收用户对所述视频图像数据中的动作帧选择的视频图像标签；以及

第二确定单元106，用于确定用户对所述视频图像标签的帧片段动作长度。

如图10所示，所述训练模块20包括：

获取单元201，用于根据用户输入的预设图像训练程度获取第一用户处理身份；

推荐单元202，用于根据所述第一用户处理身份向所述第一用户推荐网络模型；

导入单元203，用于导入所述第一用户选择的第一标记数据；以及

确定单元204，用于通过所述网络模型和所述第一标记数据确定所述网络模型部署方式。

本发明的实现方式如图11a和图11b所示，

需要说明的是，本发明既可以依赖于服务器实现，也可以在本地离线实现。

服务器端的实现包括如下步骤：

1.数据标记部分：

1.1用户进入标记系统，登陆系统或者注册并提供用户信息，相关信息通过数据库服务器；

1.2用户新建标记工程，相关信息通过数据库服务器；

1.3用户选择标记的数据类型，相关信息通过数据库服务器；

1.4用户选择标记文件(路径)，相关信息通过数据库服务器；

1.5用户选择标签，相关信息通过数据库服务器；

1.6用户开始标记，相关信息通过数据库服务器；

1.7用户完成标记，相关信息通过数据库服务器。

2.数据训练部分：

2.1用户进入训练系统，登陆系统或者注册并提供用户信息，相关信息通过数据库服务器；

2.2用户根据自身水平进行身份选择(初学者或专家)，相关信息通过数据库服务器；

2.3a若使用者选择“初学者”身份，则系统为其推荐网络；

2.4a增加标记工程，开始标记；

2.5a开始训练；

2.6a根据选择的网络，系统为其推荐部署方式；

2.7a是否需要优化模型，选择其他部署方式；

2.8a完成部署。

2.3b若使用者选择“专家”身份，则系统为其推荐网络；

2.4b增加标记工程，开始标记；

2.5b选择网络；

2.6b设定参数；

2.7b开始训练；

2.8b根据选择的网络，系统为其推荐部署方式；

2.9b是否需要优化模型，选择其他部署方式；

2.10b完成部署。

本地离线实现包括以下步骤：

1.数据标记部分：

1.1用户进入标记系统，登陆系统或者注册并提供用户信息；

1.2用户新建标记工程；

1.3用户选择标记的数据类型；

1.4用户选择标记文件(路径)；

1.5用户选择标签；

1.6用户开始标记；

1.7用户完成标记。

2.数据训练部分：

2.1用户进入训练系统，登陆系统或者注册并提供用户信息；

2.2用户根据自身水平进行身份选择(初学者或专家)；

2.3a若使用者选择“初学者”身份，则系统为其推荐网络；

2.4a增加标记工程，开始标记；

2.5a开始训练；

2.6a根据选择的网络，系统为其推荐部署方式；

2.7a是否需要优化模型，选择其他部署方式；

2.8a完成部署。

2.3b若使用者选择“专家”身份，则系统为其推荐网络；

2.4b增加标记工程，开始标记；

2.5b选择网络；

2.6b设定参数；

2.7b开始训练；

2.8b根据选择的网络，系统为其推荐部署方式；

2.9b是否需要优化模型，选择其他部署方式；

2.10b完成部署。

本发明的主要目的是提供一种用于智能识别的图像处理方法及装置。该方法及装置已为客户搭建好视频识别模型训练所需的通用框架与计算后台，各行业客户只需将自身行业数据按提示导入系统并对待识别目标物体/动作进行简单标注，即可通过该智能化图像/视频识别训练软件收获预期识别目标。该智能化图像/视频识别训练软件对使用者的机器学习技术不再有任何要求，只需经过几小时的简单培训即可上手使用。

显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种用于智能识别的图像处理方法，其特征在于，包括：

接收用户选择的标记数据；

根据用户输入的预设图像训练程度得到训练数据；以及

根据所述训练数据生成用于识别预期识别目标的图像识别模型；

根据用户输入的预设图像训练程度得到训练数据包括：

根据用户输入的预设图像训练程度获取第二用户处理身份；

根据所述第二用户处理身份向所述第二用户开放训练数据接口；

根据第二用户的数据标记操作触发所述第二用户选择的第二标记数据；

根据训练数据接口输入选择的网络模型和训练参数；以及

通过所述网络模型、训练参数以及所述第二标记数据确定所述网络模型部署方式；

其中，网络模型部署方案包括：确定模型的层数，选择Bridge Driver或者OverlayDriver。

2.根据权利要求1所述的图像处理方法，其特征在于，接收用户选择的标记数据包括：

接收用户选择的数据类型；

如果所述数据类型为图片图像数据，则接收用户对所述图片图像数据中的目标物选择的图片图像标签；以及

确定用户对所述图像标签的位置标记。

3.根据权利要求1所述的图像处理方法，其特征在于，接收用户选择的标记数据包括：

接收用户选择的数据类型；

如果所述数据类型为视频图像数据，则接收用户对所述视频图像数据中的动作帧选择的视频图像标签；以及

确定用户对所述视频图像标签的帧片段动作长度。

4.根据权利要求1所述的图像处理方法，其特征在于，根据用户输入的预设图像训练程度得到训练数据包括：

根据用户输入的预设图像训练程度获取第一用户处理身份；

根据所述第一用户处理身份向所述第一用户推荐网络模型；

导入所述第一用户选择的第一标记数据；以及

通过所述网络模型和所述第一标记数据确定所述网络模型部署方式。

5.根据权利要求1所述的图像处理方法，其特征在于，根据训练数据生成用于识别预期识别目标的图像识别模型括：

接收用户的登录信息；

确定用户登录后设定的预期识别目标和导入标记数据；

接收用户的数据生成操作指令；以及

根据所述数据生成操作指令按照所述预期识别目标和标记数据训练生成图像识别模型。

6.一种用于智能识别的图像处理装置，其特征在于，包括：

接收模块，用于接收用户选择的标记数据；

训练模块，用于根据用户输入的预设图像训练程度得到训练数据；以及

生成模块，用于根据所述训练数据生成用于识别预期识别目标的图像识别模型；

训练模块，用于根据用户输入的预设图像训练程度得到训练数据包括：

根据用户输入的预设图像训练程度获取第二用户处理身份；

根据所述第二用户处理身份向所述第二用户开放训练数据接口；

根据第二用户的数据标记操作触发所述第二用户选择的第二标记数据；

根据训练数据接口输入选择的网络模型和训练参数；以及

通过所述网络模型、训练参数以及所述第二标记数据确定所述网络模型部署方式；

其中，网络模型部署方案包括：确定模型的层数，选择Bridge Driver或者OverlayDriver。

7.根据权利要求6所述的图像处理装置，其特征在于，所述接收模块包括：

第一接收单元，用于接收用户选择的数据类型；

图片图像单元，用于如果所述数据类型为图片图像数据，则接收用户对所述图片图像数据中的目标物选择的图片图像标签；以及

第一确定单元，用于确定用户对所述图像标签的位置标记。

8.根据权利要求6所述的图像处理装置，其特征在于，所述接收模块包括：

第二接收单元，用于接收用户选择的数据类型；

视频图像单元，用于如果所述数据类型为视频图像数据，则接收用户对所述视频图像数据中的动作帧选择的视频图像标签；以及

第二确定单元，用于确定用户对所述视频图像标签的帧片段动作长度。

9.根据权利要求6所述的图像处理装置，其特征在于，所述训练模块包括：

获取单元，用于根据用户输入的预设图像训练程度获取第一用户处理身份；

推荐单元，用于根据所述第一用户处理身份向所述第一用户推荐网络模型；

导入单元，用于导入所述第一用户选择的第一标记数据；以及

确定单元，用于通过所述网络模型和所述第一标记数据确定所述网络模型部署方式。

Images