CN109857878B - 物品标注方法及装置、电子设备及存储介质 - Google Patents

Abstract

本发明实施例涉及机器视觉技术领域，公开了一种物品标注方法及装置、电子设备及存储介质。该方法包括：生成用于标注目标物以及非目标物的二分类物品标注模型；输入若干个待标注图片；其中，待标注图片中的目标物均标记有类别，且每个含有目标物的待标注图片中的目标物为一种；通过二分类物品标注模型对待标注图片进行自动标注，得到目标物的位置信息，并将标记的类别作为二分类物品标注模型输出的目标物的类别。本发明实施方式能够更加快速且低成本地实现物品标注。

Description

物品标注方法及装置、电子设备及存储介质

技术领域

本发明涉及机器视觉技术领域，特别涉及一种物品标注方法及装置、电子设备及存储介质。

背景技术

随着人工智能以及机器学习技术的发展，无人值守商店开始出现。无人值守商店的运营需要依赖目标检测技术。目标检测技术是机器视觉领域的一个分支，它主要用于识别图片上的目标物的位置以及目标物的类别。目前，目标检测的常用方法包括：传统目标检测方法和基于深度学习的目标检测框架。现有的目标检测框架主要是有监督的学习。有监督的学习方式是通过已有的一部分输入数据与输出数据之间的对应关系，生成一个函数，将输入映射到合适的输出。在基于深度神经网络的目标检测方法中，就需要通过大量的图像标注来获取输入数据与输出数据的对应关系，进而训练神经网络。图像标注一般是通过人工或者半自动的方法对图像上目标物的坐标和类别等信息进行标记。现有的图像标注方法包括以下步骤：S1、对原始图片进行人工标注，进而训练神经网络得到标注模型；S2、对于已经标注过的物品，使用训练得到的模型进行自动标注。

发明人发现相关技术至少存在以下问题：现有技术中，当待标注图片中出现标注模型中未出现过的物品时，无法直接使用上述步骤S1中得到的标注模型进行标注，而是需要重复执行步骤S1对包含有新物品的原始图片进行人工标注，并训练得到出现过新物品的标注模型，再利用出现过该新物品的标注模型进行标注。由于现实生活中的物品种类成千上万，所以使用上述标注方法，对于模型中未出现过的物品都需要重新标注并更新模型，耗费大量人力物力。同时，当物品种类太多时，由于物品之间的相似性，上述标注方法的准确度也会急剧下降。

发明内容

本发明实施方式的目的在于提供一种物品标注方法及装置、电子设备及存储介质，能够更加快速且低成本地实现物品标注。

为解决上述技术问题，本发明的实施方式提供了一种物品标注方法，包括：生成用于标注目标物以及非目标物的二分类物品标注模型；输入若干个待标注图片；其中，所述待标注图片中的目标物均标记有类别，且每个含有目标物的待标注图片中的目标物为一种；通过所述二分类物品标注模型对所述待标注图片进行自动标注，得到所述目标物的位置信息，并将标记的类别作为所述二分类物品标注模型输出的所述目标物的类别。

本发明的实施方式还提供了一种物品标注装置，包括：生成模块，用于生成用于标注目标物以及非目标物的二分类物品标注模型；输入模块，用于输入若干个待标注图片；其中，所述待标注图片中的目标物均标记有类别，且每个含有目标物的待标注图片中的目标物为一种；标注模块，用于通过所述二分类物品标注模型对所述待标注图片进行自动标注，得到所述目标物的位置信息，并将标记的类别作为所述二分类物品标注模型输出的所述目标物的类别。

本发明的实施方式还提供了一种电子设备，包括：存储器和处理器，存储器存储计算机程序，处理器运行所述计算机程序以实现：生成用于标注目标物以及非目标物的二分类物品标注模型；输入若干个待标注图片；其中，所述待标注图片中的目标物均标记有类别，且每个含有目标物的待标注图片中的目标物为一种；通过所述二分类物品标注模型对所述待标注图片进行自动标注，得到所述目标物的位置信息，并将标记的类别作为所述二分类物品标注模型输出的所述目标物的类别。

本发明的实施方式还提供了一种存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行如上所述的物品标注方法。

本发明实施方式相对于现有技术而言，生成用于标注目标物以及非目标物的二分类物品标注模型，并通过该二分类物品标注模型对于输入的待标注图片进行标注，其中，待标注图片中的目标物均标记有类别且每个含有目标物的待标注图片中的目标物为一种，这样，通过该二分类物品标注模型可以自动标注目标物的位置信息，并且通过将待标注图片中的标记的类别作为二分类物品标注模型输出的目标物的类别即可完成物品的标注。由于目标物的类别标注不依赖标注模型，所以不需要在有新物品出现时，频繁地更新标注模型，有利于节省人力物力。

作为一个实施例，所述生成用于标注目标物以及非目标物的二分类物品标注模型，具体包括：采集包含有目标物的第一正样本，并将所述第一正样本中的所有目标物均标记为第一类别；采集包含有非目标物的第一负样本，并将所述第一负样本中的所有非目标物均标记为第二类别；利用标记后的所述第一正样本以及第一负样本训练得到所述二分类物品标注模型。

作为一个实施例，还包括：获取所述二分类物品标注模型的目标物漏检率，若所述目标物漏检率大于第一阈值，则按照第一方式更新所述二分类物品标注模型。

作为一个实施例，按照第一方式更新所述二分类物品标注模型，具体包括：采集包含有目标物的第二正样本，并将所述第二正样本中的所有目标物均标记为第一类别；利用标记后的所述第一正样本、第二正样本、第一负样本进行训练以更新所述二分类物品标注模型。

作为一个实施例，还包括：获取所述二分类物品标注模型的非目标物误检率，若所述非目标物误检率大于第二阈值，则按照第二方式更新所述二分类物品标注模型。

作为一个实施例，按照第二方式更新所述二分类物品标注模型，具体包括：采集包含有非目标物的第二负样本，并将所述第二负样本中的所有目标物均标记为第二类别；利用标记后的所述第一正样本、第二正样本、第一负样本以及第二负样本进行训练以更新所述二分类物品标注模型。

作为一个实施例，所述二分类物品标注模型采用以下任意一者实现：SSD、YOLO以及Faster-R-CNN。

附图说明

图1是根据本发明第一实施方式中的物品标注方法流程图；

图2是根据本发明第二实施方式中的物品标注方法流程图；

图3是根据本发明第三实施方式中的物品标注装置结构示意图；

图4是根据本发明第四实施方式中的电子设备结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本发明而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本发明所要求保护的技术方案。

本发明的第一实施方式涉及一种物品标注方法。该方法包括：生成用于标注目标物以及非目标物的二分类物品标注模型；输入若干个待标注图片；其中，待标注图片中的目标物均标记有类别，且每个含有目标物的待标注图片中的目标物为一种；通过二分类物品标注模型对待标注图片进行自动标注，得到目标物的位置信息，并将标记的类别作为二分类物品标注模型输出的目标物的类别。本发明实施方式相对于现有技术而言，生成用于标注目标物以及非目标物的二分类物品标注模型，并通过该二分类物品标注模型对于输入的待标注图片进行标注，其中，待标注图片中的目标物均标记有类别且每个含有目标物的待标注图片中的目标物为一种，这样，通过该二分类物品标注模型可以自动标注目标物的位置信息，并且通过将待标注图片中的标记的类别作为二分类物品标注模型输出的目标物的类别即可完成物品的标注。由于目标物的类别标注不依赖标注模型，所以不需要在有新物品出现时，频繁地更新标注模型，有利于节省人力物力。下面对本实施方式的物品标注方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。

请参阅图1，本实施方式的物品标注方法包括步骤101至步骤103。

步骤101：生成用于标注目标物以及非目标物的二分类物品标注模型。

具体地，步骤101包括：采集包含有目标物的第一正样本，并将第一正样本中的所有目标物均标记为第一类别，采集包含有非目标物的第一负样本，并将第一负样本中的所有非目标物均标记为第二类别，利用标记后的第一正样本以及第一负样本训练得到二分类物品标注模型。

其中。正样本就是包含有目标物的图片样本，负样本就是不包含目标物而包含非目标物的图片样本。比如教室里学生的人脸识别，正样本就是包含有人脸的图片，负样本就是未包含人脸、但是包含有桌椅、书本、窗子以及墙等的其他非目标物的图片。第一正样本以及第一负样本均可通过图像采集设备，例如摄像头或者照相机等采集得到。需要说明的是，本实施方式中，正样本以及负样本均可以在固定场景中采集得到。固定场景是指背景固定、图像采集设备的位置相对固定等。比如，道路监控摄像头以及室内监控摄像头等所呈现的场景，均可以视为固定场景。

步骤101中，在采集第一正样本时，采集的图片可以包含多种目标物，当然也可以包含一种目标物，本实施方式对此不作具体限制。当采集的第一正样本包含多种目标物时，可以先采集包含某种目标物的正样本，或者同时采集包含有多种目标物的正样本。其中，每种目标物对应的正样本的数量可以在1000张左右，这样有利于保证最终标注模型的准确度。需要说明的是，在采集样本时，第一正样本中的目标物在颜色、形状以及尺寸等方面可以尽量存在差异，但是本实施方式对于目标物的种类不做具体限制。目标物可以是任何需要检测的物品。

步骤101中，在采集第一负样本时，可以清理掉所有的目标物，采集出现频率较高的非目标物。比如在无人值守商店场景中，目标物即是无人售卖商品，与目标物无关的非目标物可以是人手、人脸、衣服等。可以采集包含有多种非目标物的第一负样本。

步骤101中，采集得到一定数量的第一正样本以及第一负样本以后，可以通过人工进行标记，并利用标记之后的第一正样本以及第一负样本对模型进行训练从而得到二分类物品标注模型。具体地，在对样本中的目标物进行标记时，

步骤101中只需要标记目标物的位置信息，例如目标物在图像中的坐标信息，而不需要标记目标物的真实类别信息，而是将所有目标物的类别都标记为第一类别，例如标记为“1”；在对非目标物进行标记时，第一负样本中的所有非目标物均可以标记，但是第一负样本中的所有非目标物的类别均标记为第二类别，例如标记为“2”。

将标注好的第一正样本、第一负样本(即正负样本)均输入神经网络进行训练，即可得到二分类物品标注模型。其中，标注模型可以采用以下任意一者实现：SSD(SingleShot MultiBox Detector，单个深层神经网络的物体检测)、YOLO(You Only Look Once)以及Faster-R-CNN(Region-CNN(Convolutional Neural Networks，卷积神经网络))。上述网络框架均为本领域技术人员所熟知，此处不再赘述。

步骤102：输入若干个待标注图片。

其中，待标注图片中的目标物均标记有类别，且每个含有目标物的待标注图片中的目标物为一种。

具体地，可以在相同场景下采集待标注图片，即待标注图片的背景以及采集方式均与样本相同，并记录目标物的真实类别信息。其中，待标注图片中的目标物可以与样本中的目标物相同，也可以不同。但是采集的每张待标注图片中的目标物的种类只能是一种，而目标物的数量可以是一个或者多个。

步骤103：通过二分类物品标注模型对待标注图片进行自动标注，得到目标物的位置信息，并将标记的类别作为二分类物品标注模型输出的目标物的类别。

其中，由于二分类物品标注模型能够输出的类别只有两类，即第一类别以及第二类别，所以步骤103中输出的类别也是两类。本实施方式中，可以仅输出目标物的类别，也就是第一类别“1”，当输出为第二类别“2”时，强制不予输出。即，只有当标注模型判定待标注图片包含目标物时才予以正常输出。

因此，步骤103中，输入待标注图片后，标注模型可以输出目标物在图片中的真实坐标信息以及类别“1”。由步骤102中标记有该目标物的真实类别信息，所以步骤103中可以将该目标物的真实类别信息作为标注模型输出的目标物的类别，即将标注模型输出的类别“1”修改为该目标物的真实类别信息。这样就实现了对待标注图片的自动标注。

传统的目标检测算法通常分为两步：目标检测和目标识别，优点是算法直观简单且计算速度快，缺点是需要人工设计特征且识别率低；基于神经网络的目标检测框架，虽然使用方便，但是需要大量标注数据。本实施方式将传统算法的设计思想和神经网络强大的分类能力相结合，用训练好的网络作为通用的目标检测器，检测结果可以作为输入接上任意分类器。

本实施方式通过人工记录或者自动识别等的方式来实现待标注图片中的目标物的类别信息的标注，并且通过标注模型自动标注得到目标物的位置信息，从而实现对于目标物的标注。这样，在目标物的种类较多时，无需通过采集大量的样本频繁地更新标注模型，有利于节约人力物力，能够更加快速且低成本地实现物品标注。

本发明的第二实施方式涉及一种物品标注方法，如图2所示，本实施方式包括步骤201至步骤210。

其中，步骤201至步骤203分别与第一实施方式中的步骤101至步骤103对应相同，此处不再赘述。

本实施方式可在第一实施方式的基础上，根据标注模型的准确度对标注模型进行更新。

步骤204：获取二分类物品标注模型的目标物漏检率。

目标物漏检率即是标注模型将目标物漏检为非目标物的比例，目标物漏检率可以采用标注模型实际输出的包含有目标物的图片数量与输入的包含有相同目标物的待标注图片的数量之商。举例而言，若目标物的类别为001，假设输入200张包含有类别为001的目标物的待标注图片，利用本实施方式的标注模型进行标注后，输出的标注为第一类别“1”的图片的数量为180张，则可能有大于20张待标注图片中的目标物未被识别出来，即目标物漏检率大约为10％。然不限于此，输入的目标物也可以为多种。

步骤205：确定目标物漏检率是否大于第一阈值，若大于第一阈值，则执行步骤206，若小于或者等于第一阈值，则执行步骤210。

第一阈值可以根据标注的准确度要求进行设定，第一阈值例如为99％，然不限于此。

步骤206：按照第一方式更新二分类物品标注模型。

具体地，步骤206包括：采集包含有目标物的第二正样本，并将第二正样本中的所有目标物均标记为第一类别，利用标记后的第一正样本、第二正样本以及第一负样本进行训练以更新二分类物品标注模型。步骤206中第二正样本的采集以及标记方式可以参考第一实施方式中的步骤101，此处不再赘述。步骤206通过增加正样本的数量可以提高标注模型的准确度，降低目标物漏检率。

步骤207：获取二分类物品标注模型的非目标物误检率。

非目标物误检率即是把标注模型误把非目标物标注成目标物的比例。非目标物误检率可以采用标注模型实际输出的类别为第一类别的图片数量与输入的包含有相同非目标物的待标注图片的数量之商。举例而言，假设输入200张包含有非目标物的待标注图片，利用本实施方式的标注模型进行标注后，输出的标注为第一类别“1”的图片的数量为20张，则可能有大于20张待标注图片中的非目标物被误标注出目标物，即非目标物误检率大约为10％。

步骤208：确定非目标物误检率是否大于第二阈值，若大于第二阈值，则执行步骤209，若小于或者等于第二阈值，则执行步骤210。

第二阈值亦可以根据标注的准确度要求进行设定，第二阈值例如为99％，然不限于此。

步骤209：按照第二方式更新二分类物品标注模型。

具体地，步骤209包括：采集包含有非目标物的第二负样本，并将第二负样本中的所有目标物均标记为第二类别，利用标记后的第一正样本、第二正样本、第一负样本以及第二负样本进行训练以更新二分类物品标注模型。步骤206中第二负样本的采集以及标记方式可以参考第一实施方式中的步骤101，此处不再赘述。步骤209通过增加负样本的数量可以提高标注模型的准确度，降低非目标物误检率。

步骤210：不更新二分类物品标注模型。

本实施方式与前述实施方式相比，可以进一步提高标注模型的准确性。

本发明的第三实施方式涉及一种物品标注装置。请参阅图3，该物品标注装置300包括：

生成模块301，用于生成用于标注目标物以及非目标物的二分类物品标注模型；其中，该二分类物品标注模型可以采用以下任意一者实现：SSD、YOLO以及Faster-R-CNN。然不限于此。

输入模块302，用于输入若干个待标注图片；其中，待标注图片中的目标物均标记有类别，且每个含有目标物的待标注图片中的目标物为一种；以及

标注模块302，用于通过二分类物品标注模型对待标注图片进行自动标注，得到目标物的位置信息，并将标记的类别作为二分类物品标注模型输出的目标物的类别。

在一个例子中，生成模块301具体用于采集包含有目标物的第一正样本，并将第一正样本中的所有目标物均标记为第一类别，采集包含有非目标物的第一负样本，并将第一负样本中的所有非目标物均标记为第二类别，利用标记后的第一正样本以及第一负样本训练得到二分类物品标注模型。

在一个例子中，物品标注装置300还可以包括模型更新模块(图未示)。模型更新模块用于获取二分类物品标注模型的目标物漏检率，并在目标物漏检率大于第一阈值时，按照第一方式更新二分类物品标注模型。其中，模型更新模块具体用于按照第一方式更新二分类物品标注模型，即采集包含有目标物的第二正样本，并将第二正样本中的所有目标物均标记为第一类别，利用标记后的第一正样本、第二正样本、第一负样本进行训练以更新二分类物品标注模型。

在一个例子中，物品标注装置300还可以用于获取二分类物品标注模型的非目标物误检率，并在非目标物误检率大于第二阈值时，按照第二方式更新二分类物品标注模型。其中，模型更新模块具体用于按照第二方式更新二分类物品标注模型，即采集包含有非目标物的第二负样本，并将所述第二负样本中的所有目标物均标记为第二类别；利用标记后的第一正样本、第二正样本、第一负样本以及第二负样本进行训练以更新二分类物品标注模型。

本实施方式通过人工记录或者自动识别等的方式来实现待标注图片中的目标物的类别信息的标注，并且通过标注模型自动标注得到目标物的位置信息，从而实现对于目标物的标注。这样，在目标物的种类较多时，无需通过采集大量的样本频繁地更新标注模型，有利于节约人力物力，能够更加快速且低成本地实现物品标注。

本发明的第四实施方式涉及一种电子设备。如图4所示，该电子设备包括：存储器402和处理器401；

其中，所述存储器402存储有可被所述至少一个处理器401执行的指令，所述指令被所述至少一个处理器401执行以实现：生成用于标注目标物以及非目标物的二分类物品标注模型；输入若干个待标注图片；其中，待标注图片中的目标物均标记有类别，且每个含有目标物的待标注图片中的目标物为一种；通过二分类物品标注模型对待标注图片进行自动标注，得到目标物的位置信息，并将标记的类别作为二分类物品标注模型输出的目标物的类别。

一个或多个处理器401以及存储器402，图4中以一个处理器401为例。处理器401、存储器402可以通过总线或者其他方式连接，图4中以通过总线连接为例。存储器402作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器401通过运行存储在存储器402中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述物品标注方法。

存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施方式中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个模块存储在存储器402中，当被一个或者多个处理器401执行时，执行上述任意方法实施方式中的物品标注方法。

上述设备可执行本发明实施方式所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施方式中详尽描述的技术细节，可参见本发明实施方式所提供的方法。

本实施方式通过人工记录或者自动识别等的方式来实现待标注图片中的目标物的类别信息的标注，并且通过标注模型自动标注得到目标物的位置信息，从而实现对于目标物的标注。这样，在目标物的种类较多时，无需通过采集大量的样本频繁地更新标注模型，有利于节约人力物力，能够更加快速且低成本地实现物品标注。

本发明的第五实施方式涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (9)

1.一种物品标注方法，其特征在于，包括：

生成用于标注目标物以及非目标物的二分类物品标注模型；其中，所述目标物的种类为多种；

输入若干个待标注图片；其中，所述待标注图片中的目标物均标记有类别，且每个含有目标物的待标注图片中的目标物为一种；

通过所述二分类物品标注模型对所述待标注图片进行自动标注，得到所述目标物的位置信息，并将标记的类别作为所述二分类物品标注模型输出的所述目标物的类别；

其中，所述生成用于标注目标物以及非目标物的二分类物品标注模型，具体包括：

采集包含有目标物的第一正样本，并将所述第一正样本中的所有目标物均标记为第一类别；

采集包含有非目标物的第一负样本，并将所述第一负样本中的所有非目标物均标记为第二类别；

利用标记后的所述第一正样本以及第一负样本训练得到所述二分类物品标注模型。

2.根据权利要求1所述的物品标注方法，其特征在于，还包括：

获取所述二分类物品标注模型的目标物漏检率，若所述目标物漏检率大于第一阈值，则按照第一方式更新所述二分类物品标注模型。

3.根据权利要求2所述的物品标注方法，其特征在于，按照第一方式更新所述二分类物品标注模型，具体包括：

采集包含有目标物的第二正样本，并将所述第二正样本中的所有目标物均标记为第一类别；

利用标记后的所述第一正样本、第二正样本、第一负样本进行训练以更新所述二分类物品标注模型。

4.根据权利要求1所述的物品标注方法，其特征在于，还包括：

获取所述二分类物品标注模型的非目标物误检率，若所述非目标物误检率大于第二阈值，则按照第二方式更新所述二分类物品标注模型。

5.根据权利要求4所述的物品标注方法，其特征在于，按照第二方式更新所述二分类物品标注模型，具体包括：

采集包含有非目标物的第二负样本，并将所述第二负样本中的所有目标物均标记为第二类别；

利用标记后的所述第一正样本、第二正样本、第一负样本以及第二负样本进行训练以更新所述二分类物品标注模型。

6.根据权利要求1至5中任一项所述的物品标注方法，其特征在于，所述二分类物品标注模型采用以下任意一者实现：

SSD、YOLO以及Faster-R-CNN。

7.一种物品标注装置，其特征在于，包括：

生成模块，用于生成用于标注目标物以及非目标物的二分类物品标注模型；其中，所述目标物的种类为多种；

输入模块，用于输入若干个待标注图片；其中，所述待标注图片中的目标物均标记有类别，且每个含有目标物的待标注图片中的目标物为一种；

标注模块，用于通过所述二分类物品标注模型对所述待标注图片进行自动标注，得到所述目标物的位置信息，并将标记的类别作为所述二分类物品标注模型输出的所述目标物的类别；

其中，所述生成用于标注目标物以及非目标物的二分类物品标注模型，具体包括：

采集包含有目标物的第一正样本，并将所述第一正样本中的所有目标物均标记为第一类别；

采集包含有非目标物的第一负样本，并将所述第一负样本中的所有非目标物均标记为第二类别；

利用标记后的所述第一正样本以及第一负样本训练得到所述二分类物品标注模型。

8.一种电子设备，其特征在于，包括：存储器和处理器，存储器存储计算机程序，处理器运行所述计算机程序以实现：

生成用于标注目标物以及非目标物的二分类物品标注模型；其中，所述目标物的种类为多种；

输入若干个待标注图片；其中，所述待标注图片中的目标物均标记有类别，且每个含有目标物的待标注图片中的目标物为一种；

通过所述二分类物品标注模型对所述待标注图片进行自动标注，得到所述目标物的位置信息，并将标记的类别作为所述二分类物品标注模型输出的所述目标物的类别；

其中，所述生成用于标注目标物以及非目标物的二分类物品标注模型，具体包括：

采集包含有目标物的第一正样本，并将所述第一正样本中的所有目标物均标记为第一类别；

采集包含有非目标物的第一负样本，并将所述第一负样本中的所有非目标物均标记为第二类别；

利用标记后的所述第一正样本以及第一负样本训练得到所述二分类物品标注模型。

9.一种存储介质，其特征在于，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行如权利要求1至6中任一项所述的物品标注方法。

Images