CN110363810A - 建立图像检测模型的方法、装置、设备和计算机存储介质 - Google Patents

Abstract

本发明提供一种建立图像检测模型的方法：获取训练数据；确定搜索空间；根据搜索空间构建当前网络结构序列并生成当前神经网络，依据训练数据获取当前神经网络的第一评估值；根据搜索空间随机替换当前网络结构序列中一个参数的值，得到待选网络结构序列并生成待选神经网络，依据训练数据获取待选神经网络的第二评估值；确定第一评估值与第二评估值是否满足预设条件，若否则将待选网络结构序列作为当前网络结构序列，并转至执行得到待选网络结构序列的步骤，以此循环进行，直至当前神经网络的第一评估值与待选神经网络的第二评估值满足预设条件，输出当前神经网络作为最终神经网络；利用训练数据训练最终神经网络，得到图像检测模型。

Description

建立图像检测模型的方法、装置、设备和计算机存储介质

【技术领域】

本发明涉及图像检测技术领域，尤其涉及一种建立图像检测模型的方法、装置、设备和计算机存储介质。

【背景技术】

图像物体检测是计算机视觉中的经典问题之一，其任务是用矩形框标示出图像中物体的位置信息，并提供所标注物体的类别信息。现有技术中通常采用由人工设计神经网络的方式来获取用于图像检测的模型。但由于在人工设计神经网络时，需要人为地对网络层数、某一层卷积的个数等进行不断调整，因此现有技术在建立图像检测模型时的开发成本较高、开发周期较长。

【发明内容】

有鉴于此，本发明提供了一种建立图像检测模型的方法、装置、设备和计算机存储介质，用于降低图像检测模型的开发成本，缩短图像检测模型的开发周期，从而提升图像检测模型的开发效率。

本发明为解决技术问题所采用的技术方案为提供一种建立图像检测模型的方法，所述方法包括：获取训练数据，所述训练数据中包含各图像以及各图像中所包含物体的标注信息；确定搜索空间，所述搜索空间中包含构建神经网络的各参数以及各参数对应的取值范围；根据所述搜索空间构建当前网络结构序列，在利用所述当前网络结构序列生成当前神经网络之后，依据所述训练数据获取所述当前神经网络的第一评估值；根据所述搜索空间，随机替换所述当前网络结构序列中一个参数的值，得到待选网络结构序列，在利用所述待选网络结构序列生成待选神经网络之后，依据所述训练数据获取所述待选神经网络的第二评估值；确定所述第一评估值与所述第二评估值之间是否满足预设条件，若否，则将所述待选网络结构序列作为当前网络结构序列，并转至执行根据所述搜索空间和当前网络结构序列得到待选网络结构序列的步骤，以此循环进行，直至当前神经网络的第一评估值与待选神经网络的第二评估值之间满足预设条件，输出当前神经网络作为最终神经网络；利用所述训练数据对所述最终神经网络进行训练，直至所述最终神经网络收敛，得到图像检测模型。

根据本发明一优选实施例，在获取训练数据之后，还包括：按照预设比例，将所述训练数据划分为训练集和验证集。

根据本发明一优选实施例，所述根据所述搜索空间构建当前网络结构序列包括：分别从所述搜索空间中各参数对应的取值范围中随机选取一个值；根据各参数以及随机选取的对应各参数的值构建所述当前网络结构序列。

根据本发明一优选实施例，所述依据所述训练数据获取所述当前神经网络的第一评估值包括：利用所述训练数据获取所述当前神经网络的验证准确率和验证速度；将所述验证准确率和验证速度的乘积作为所述当前神经网络的第一评估值。

根据本发明一优选实施例，所述利用所述训练数据获取所述当前神经网络的验证准确率和验证速度包括：使用所述训练集对所述当前神经网络进行预设次数的训练之后，再使用所述验证集获取所述当前神经网络的验证准确率和验证速度。

根据本发明一优选实施例，在将所述验证准确率和验证速度的乘积作为所述当前神经网络的第一评估值之前，还包括：确定所述当前神经网络的验证速度是否小于等于预设速度；若是，则继续执行获取所述当前神经网络的第一评估值的步骤，否则舍弃所述当前神经网络，转至执行根据所述搜索空间来构建当前网络结构序列的步骤。

根据本发明一优选实施例，所述依据所述训练数据获取所述待选神经网络的评估值包括：使用所述训练集对所述待选神经网络进行预设次数的训练之后，再使用所述验证集获取所述待选神经网络的验证准确率和验证速度；将所述验证准确率和验证速度的乘积作为所述待选神经网络的第二评估值。

根据本发明一优选实施例，在将所述验证准确率和验证速度的乘积作为所述待选神经网络的第二评估值之前，还包括：确定所述待选神经网络的验证速度是否小于等于预设速度；若是，则继续执行获取所述待选神经网络的第二评估值的步骤，否则舍弃所述待选神经网络，转至执行根据所述搜索空间和当前网络结构序列得到待选网络结构序列的步骤。

根据本发明一优选实施例，所述利用所述训练数据对所述最终神经网络进行训练，直至所述最终神经网络收敛包括：将所述训练数据中的各图像作为所述最终神经网络的输入，获取所述最终神经网络针对各图像的输出结果；根据所述各图像的输出结果与所述训练数据中各图像中所包含物体的标注信息确定所述最终神经网络的损失函数；根据所述最终神经网络的损失函数调整所述最终神经网络的参数，直至所述最终神经网络的损失函数最小化，得到图像检测模型。

本发明为解决技术问题所采用的技术方案为提供一种建立图像检测模型的装置，所述装置包括：获取单元，用于获取训练数据，所述训练数据中包含各图像以及各图像中所包含物体的标注信息；确定单元，用于确定搜索空间，所述搜索空间中包含构建神经网络的各参数以及各参数对应的取值范围；第一构建单元，用于根据所述搜索空间构建当前网络结构序列，在利用所述当前网络结构序列生成当前神经网络之后，依据所述训练数据获取所述当前神经网络的第一评估值；第二构建单元，用于根据所述搜索空间，随机替换所述当前网络结构序列中一个参数的值，得到待选网络结构序列，在利用所述待选网络结构序列生成待选神经网络之后，依据所述训练数据获取所述待选神经网络的第二评估值；处理单元，用于确定所述第一评估值与所述第二评估值之间是否满足预设条件，若否，则将所述待选网络结构序列作为当前网络结构序列，并转至执行根据所述搜索空间和当前网络结构序列得到待选网络结构序列的步骤，以此循环进行，直至当前神经网络的第一评估值与待选神经网络的第二评估值之间满足预设条件，输出当前神经网络作为最终神经网络；训练单元，用于利用所述训练数据对所述最终神经网络进行训练，直至所述最终神经网络收敛，得到图像检测模型。

根据本发明一优选实施例，所述获取单元在获取训练数据之后，还执行：按照预设比例，将所述训练数据划分为训练集和验证集。

根据本发明一优选实施例，所述第一构建单元在根据所述搜索空间构建当前网络结构序列时，具体执行：分别从所述搜索空间中各参数对应的取值范围中随机选取一个值；根据各参数以及随机选取的对应各参数的值构建所述当前网络结构序列。

根据本发明一优选实施例，所述第一构建单元在依据所述训练数据获取所述当前神经网络的第一评估值时，具体执行：利用所述训练数据获取所述当前神经网络的验证准确率和验证速度；将所述验证准确率和验证速度的乘积作为所述当前神经网络的第一评估值。

根据本发明一优选实施例，所述第一构建单元在利用所述训练数据获取所述当前神经网络的验证准确率和验证速度时，具体执行：使用所述训练集对所述当前神经网络进行预设次数的训练之后，再使用所述验证集获取所述当前神经网络的验证准确率和验证速度。

根据本发明一优选实施例，所述第一构建单元在将所述验证准确率和验证速度的乘积作为所述当前神经网络的第一评估值之前，还执行：确定所述当前神经网络的验证速度是否小于等于预设速度；若是，则继续执行获取所述当前神经网络的第一评估值的步骤，否则舍弃所述当前神经网络，转至执行根据所述搜索空间来构建当前网络结构序列的步骤。

根据本发明一优选实施例，所述第二构建单元在依据所述训练数据获取所述待选神经网络的第二评估值时，具体执行：使用所述训练集对所述待选神经网络进行预设次数的训练之后，再使用所述验证集获取所述待选神经网络的验证准确率和验证速度；将所述验证准确率和验证速度的乘积作为所述待选神经网络的第二评估值。

根据本发明一优选实施例，所述第二构建单元在将所述验证准确率和验证速度的乘积作为所述待选神经网络的第二评估值之前，还执行：确定所述待选神经网络的验证速度是否小于等于预设速度；若是，则继续执行获取所述待选神经网络的第二评估值的步骤，否则舍弃所述待选神经网络，转至执行根据所述搜索空间和当前网络结构序列得到待选网络结构序列的步骤。

根据本发明一优选实施例，所述训练单元在利用所述训练数据对所述最终神经网络进行训练，直至所述最终神经网络收敛时，具体执行：将所述训练数据中的各图像作为所述最终神经网络的输入，获取所述最终神经网络针对各图像的输出结果；根据所述各图像的输出结果与所述训练数据中各图像中所包含物体的标注信息确定所述最终神经网络的损失函数；根据所述最终神经网络的损失函数调整所述最终神经网络的参数，直至所述最终神经网络的损失函数最小化，得到图像检测模型。

由以上技术方案可以看出，本发明通过所确定的搜索空间来构建网络结构序列，在根据所构建的网络结构序列得到神经网络后，再依据神经网络的评估值来确定具有最优结构的神经网络，进而根据所确定的神经网络来训练得到图像检测模型，无需耗费大量的人力成本来探索神经网络的最优结构，从而缩短图像检测模型的开发周期，提升图像检测模型的开发效率。

【附图说明】

图1为本发明一实施例提供的一种建立图像检测模型的方法流程图；

图2为本发明一实施例提供的一种建立图像检测模型的装置结构图；

图3为本发明一实施例提供的计算机系统/服务器的框图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

图1为本发明一实施例提供的一种建立图像检测模型的方法流程图，如图1中所示，所述方法包括：

在101中，获取训练数据，所述训练数据中包含各图像以及各图像中所包含物体的标注信息。

在本步骤中，获取各图像以及各图像中所包含物体的标注信息作为训练数据，所获取的训练数据用于训练得到图像检测模型。

其中，本步骤所获取的物体的标注信息中包含物体的类别信息以及物体的位置信息。其中，物体的类别信息用于表示图像中所包含物体的所属类别；而物体的位置信息则用于表示物体在图像中的位置坐标，例如在图像中标注物体的矩形框中左上角以及右下角的点的坐标。

具体地，本步骤在获取训练数据时，可以同时获取属于不同应用类别的各图像以及各图像中所包含物体的标注信息作为训练数据，使得最终训练得到的图像检测模型能够针对不同应用类别的图像来输出检测结果。举例来说，本步骤可以同时获取应用于车辆检测的包含车辆的图像、获取应用于商品检测的包含商品的图像、获取应用于动植物检测的包含动植物的图像等。

另外，本步骤也可以仅获取属于预设应用类别的各图像以及各图像中所包含物体的标注信息作为训练数据，使得最终训练得到的图像检测模型仅能够针对属于预设应用类别的图像来输出检测结果。举例来说，本步骤可以获取应用于车辆检测的包含车辆的图像、获取应用于商品检测的包含商品的图像或者获取应用于动植物检测的包含动植物的图像等中的一种。

为了避免在之后的训练过程中产生过拟合的问题，本步骤在获取训练数据之后，还可以包括以下内容：按照预设比例将所获取的训练数据划分为训练集和验证集。其中，训练集用于神经网络的迭代训练，而验证集则用于对迭代训练后的神经网络进行验证。举例来说，本步骤可以将75％的训练数据划分为训练集，将剩余的25％的训练数据划分为验证集。

在102中，确定搜索空间，所述搜索空间中包含构建神经网络的各参数以及各参数对应的取值范围。

在本步骤中，确定包含构建神经网络的各参数以及各参数对应的取值范围的搜索空间。其中，本发明中神经网络的类型可以为卷积神经网络、深度神经网络或者循环神经网络。在下文中以卷积神经网络为例进行说明。

具体地，本步骤所确定的搜索空间中包含的构建卷积神经网络的各参数包含卷积类型、卷积个数以及卷积层数。

其中，搜索空间中与卷积类型对应的取值范围为卷积核大小的取值范围，例如卷积核大小为1×1、3×3、5×5或7×7；搜索空间中与卷积个数对应的取值范围为以8为步长、从16至320之间的各数值；搜索空间中与卷积层数对应的取值范围为2至6之间的各数值。

举例来说，本步骤所确定的构建卷积神经网络的搜索空间可以为：[卷积类型：1×1、3×3、5×5、7×7，卷积个数：16、24、32、40……320，卷积层数：2、3、4、5、6]。

在103中，根据所述搜索空间构建当前网络结构序列，并在利用所述当前网络结构序列生成当前神经网络之后，依据所述训练数据获取所述当前神经网络的第一评估值。

在本步骤中，首先根据步骤102中所确定的搜索空间构建当前网络结构序列，并在利用所构建的当前网络结构序列生成当前神经网络之后，再依据步骤101中所获取的训练数据来获取当前神经网络的第一评估值。

具体地，本步骤在根据搜索空间构建当前网络结构序列时，可以采用以下方式：分别从所确定的搜索空间中各参数对应的取值范围中随机选取一个值；根据随机选取的对应各参数的值构建当前网络结构序列，进而根据所构建的当前网络结构序列来生成当前神经网络。

另外，本步骤也可以根据人工从所确定的搜索空间中选取构建神经网络各参数对应的值，进而根据所选取的对应各参数的值构建当前网络结构序列。

举例来说，若所确定的搜索空间为[卷积类型：1×1、3×3、5×5、7×7，卷积个数：16、24、32、40……320，卷积层数：2、3、4、5、6]，若本步骤根据搜索空间所构建的当前网络结构序列为[3×3，32，5]，则表明要生成网络结构为：卷积核为3×3、卷积个数为32与卷积层数为5的卷积神经网络。

可以理解的是，本步骤在利用当前网络结构序列生成当前神经网络时，可以按照现有的网络格式来生成对应当前网络结构序列的当前神经网络，例如按照轻量化卷积神经网络MobileNet V1或MobileNet V2的格式来生成当前神经网络。

由于在进行图像检测时，尤其是移动终端在进行图像检测时，往往需要权衡检测速度和检测准确率的问题，即期望最终所得到的图像检测模型能够做到又快又好。但在目前的现有技术中，权衡图像检测模型的检测速度和检测准确率往往依赖于对神经网络的人为设计，即由人工不断地调整神经网络的参数。而基于人工调试的方式来设计神经网络时，会耗费大量的人力成本，且使得图像检测模型的开发周期较长。

因此为了能够兼顾模型的检测准确率和检测速度，本步骤在依据训练数据获取当前神经网络的第一评估值时，可以采用以下方式：利用所获取的训练数据获取当前神经网络的验证准确率和验证速度；将所获取的验证准确率和验证速度的乘积作为当前神经网络的第一评估值。也就是说，本步骤利用神经网络的验证准确率和验证速度来得到神经网络的评估值，使得最终得到的神经网络能够兼顾检测准确率和检测速度。

其中，当前神经网络的验证准确率为当前神经网络根据输入图像输出正确标注结果的概率；当前神经网络的验证速度则为当前神经网络根据输入图像输出标注结果时所需的时间均值。

可以理解的是，本步骤在利用所获取的训练数据获取当前神经网络的验证准确率和验证速度时，可以根据全部的训练数据来获取当前神经网络的验证准确率和验证速度。

本步骤在利用所获取的训练数据获取当前神经网络的验证准确率和验证速度时，也可以采用以下方式：使用训练数据对应的训练集对当前神经网络进行预设次数的训练之后，再使用训练数据对应的验证集获取当前神经网络的验证准确率和验证速度。其中，本步骤中的预设次数可以为训练集中所包含图片数量的预设倍数对应的次数，例如预设次数可以为训练集中所包含图片数量的5倍的次数，即可以认为将训练集中的同一数据进行5次训练。

另外，本步骤在获取当前神经网络的第一评估值之前，还可以包含以下内容：确定当前神经网络的验证速度是否小于等于预设速度，若是，则继续执行获取当前神经网络的第一评估值的步骤，否则舍弃该当前神经网络，重新执行根据搜索空间来构建当前网络结构序列的步骤。因此，本步骤能够进一步提升所构建的神经网络在进行图像检测时的速度，从而使得最终所得到图像检测模型更加适应于移动终端使用。

在104中，根据所述搜索空间，随机替换所述当前网络结构序列中的一个参数的值，得到待选网络结构序列，在利用所述待选网络结构序列生成待选神经网络之后，依据所述训练数据获取所述待选神经网络的第二评估值。

在本步骤中，随机将步骤103所构建的当前网络结构序列中一个参数值替换为步骤102中所确定的搜索空间中该参数对应的取值范围中的其他值，从而得到待选网络结构序列，在利用待选网络结构序列生成新的神经网络之后，再依据步骤101中所获取的训练数据获取待选神经网络的第二评估值。

可以理解的是，本步骤生成待选神经网络以及获取待选神经网络的第一评估值的方法与前述生成当前神经网络以及获取当前神经网络的第一评估值的方式相同，在此不进行赘述。

另外，本步骤在依据训练数据获取待选神经网络的第二评估值之前，还可以包含以下内容：确定待选神经网络的验证速度是否小于等于预设速度，若是，则继续执行获取待选神经网络的第二评估值的步骤，否则舍弃该待选神经网络，重新执行根据当前网络结构序列和搜索空间得到待选网络结构序列的步骤。

在105中，确定所述第一评估值与所述第二评估值之间是否满足预设条件，若否，则将所述待选网络结构序列作为当前网络结构序列，并转至执行根据所述当前网络结构序列和所述搜索空间构建待选网络结构序列的步骤，以此循环进行，直至当前神经网络的第一评估值与待选神经网络的第二评估值之间满足预设条件，输出当前神经网络作为最终神经网络。

在本步骤中，确定步骤103中所获取的当前神经网络的第一评估值和步骤104中所获取的待选神经网络的第二评估值之间是否满足预设条件，若否，则将待选网络结构序列作为当前网络结构序列，将待选神经网络的第二评估值作为当前神经网络的第一评估值，再转至执行步骤104，获取待选网络结构序列和待选神经网络的第二评估值，进而再确定当前神经网络的第一评估值与待选神经网络的第二评估值之间是否满足预设条件，以此循环进行，直至当前神经网络与待选神经网络的评估值之间满足预设条件，则输出最后一次所生成的当前神经网络作为最终神经网络。

具体地，本步骤中的预设条件可以为待选神经网络的第二评估值小于等于当前神经网络的第一评估值；也可以为待选神经网络的第二评估值小于等于当前神经网络的第一评估值的次数超过预设次数；还可以在循环次数超过预设次数的情况下，待选神经网络的第二评估值小于等于当前神经网络的第一评估值。

在106中，利用所述训练数据对所述最终神经网络进行训练，直至所述最终神经网络收敛，得到图像检测模型。

在本步骤中，使用步骤101所获取的训练数据对步骤105所得到的最终神经网络进行训练，直至该最终神经网络收敛，得到图像检测模型。利用本步骤所得到的图像检测模型，能够根据所输入的图像，输出标注有图像中所包含物体的类别及位置的图像。

具体地，本步骤在利用训练数据对最终神经网络进行训练，直至最终神经网络收敛时，可以采用以下方式：将训练数据中的各图像作为最终神经网络的输入，获取最终神经网络针对各图像的输出结果；根据各图像的输出结果与训练数据中各图像中所包含物体的标注信息确定最终神经网络的损失函数；根据最终神经网络的损失函数调整最终神经网络的参数，直至最终神经网络的损失函数最小化，得到图像检测模型。

可以理解的是，本步骤中最终神经网络的损失函数最小化时可以包括：在预设次数内得到的损失函数相等，或者在预设次数内得到的损失函数之间的差值小于或等于预设阈值，等等。

可以理解的是，若步骤101中所获取的是属于某一应用类别的训练数据，则本步骤所得到的图像检测模型能够针对属于该应用类别的图像输出准确的检测结果，从而提升图像检测模型针对特定应用类别图像的检测准确率和检测速度。

另外，由于本发明在得到最终神经网络时兼顾了神经网络的检测准确率和检测速度，因此本步骤所得到的图像检测模型能够更加适应于移动终端进行使用，并且避免了人工设计神经网络结构所导致的成本较高的问题，缩短了图像检测模型的开发周期，提升了图像检测模型的建立效率。

图2为本发明一实施例提供的一种建立图像检测模型的装置结构图，如图2中所示，所述装置包括：获取单元21、确定单元22、第一构建单元23、第二构建单元24、处理单元25以及训练单元26。

获取单元21，用于获取训练数据，所述训练数据中包含各图像以及各图像中所包含物体的标注信息。

获取单元21获取各图像以及各图像中所包含物体的标注信息作为训练数据，所获取的训练数据用于训练得到图像检测模型。

其中，获取单元21所获取的物体的标注信息中包含物体的类别信息以及物体的位置信息。其中，物体的类别信息用于表示图像中所包含物体的所属类别；而物体的位置信息则用于表示物体在图像中的位置坐标，例如在图像中标注物体的矩形框中左上角以及右下角的点的坐标。

具体地，获取单元21在获取训练数据时，可以同时获取属于不同应用类别的各图像以及各图像中所包含物体的标注信息作为训练数据，使得最终训练得到的图像检测模型能够针对不同应用类别的图像输出检测结果。。

另外，获取单元21也可以仅获取属于预设应用类别的各图像以及各图像中所包含物体的标注信息作为训练数据，使得最终训练得到的图像检测模型仅能够针对属于预设应用类别的各图像输出检测结果。

为了避免在之后的训练过程中产生过拟合的问题，获取单元21在获取训练数据之后，还可以执行以下操作：按照预设比例将所获取的训练数据划分为训练集和验证集。其中，训练集用于神经网络的迭代训练，而验证集则用于对迭代训练后的神经网络进行验证。

确定单元22，用于确定搜索空间，所述搜索空间中包含构建神经网络的各参数以及各参数对应的取值范围。

确定单元22确定包含构建神经网络的各参数以及各参数对应的取值范围的搜索空间。其中，本发明中神经网络的类型可以为卷积神经网络、深度神经网络或者循环神经网络。

具体地，确定单元22所确定的搜索空间中包含的构建卷积神经网络的各参数包含卷积类型、卷积个数以及卷积层数。

其中，搜索空间中与卷积类型对应的取值范围为卷积核大小的取值范围，例如卷积核大小为1×1、3×3、5×5或7×7；搜索空间中与卷积个数对应的取值范围为以8为步长、从16至320之间的各数值；搜索空间中与卷积层数对应的取值范围为2至6之间的各数值。

第一构建单元23，用于根据所述搜索空间构建当前网络结构序列，并在利用所述当前网络结构序列生成当前神经网络之后，依据所述训练数据获取所述当前神经网络的第一评估值。

第一构建单元23首先根据确定单元22所确定的搜索空间构建当前网络结构序列，并在利用所构建的当前网络结构序列生成当前神经网络之后，再依据获取单元21所获取的训练数据来获取当前神经网络的第一评估值。

具体地，第一构建单元23在根据搜索空间构建当前网络结构序列时，可以采用以下方式：分别从所确定的搜索空间中各参数对应的取值范围中随机选取一个值；根据随机选取的对应各参数的值构建当前网络结构序列，进而根据所构建的当前网络结构序列来生成当前神经网络。

另外，第一构建单元23也可以根据由人工从所确定的搜索空间中选取构建神经网络的各参数对应的值，进而根据所选取的对应各参数的值构建当前网络结构序列。

可以理解的是，第一构建单元23在利用当前网络结构序列生成当前神经网络时，可以按照现有的网络格式来生成对应当前网络结构序列的当前神经网络，例如按照轻量化卷积神经网络MobileNet V1或MobileNet V2的格式来生成当前神经网络。

具体地，第一构建单元23在依据训练数据获取当前神经网络的第一评估值时，可以采用以下方式：利用所获取的训练数据获取当前神经网络的验证准确率和验证速度；将所获取的验证准确率和验证速度的乘积作为当前神经网络的第一评估值。其中，当前神经网络的验证准确率为当前神经网络根据输入图像输出正确标注结果的概率；当前神经网络的验证速度则为当前神经网络根据输入图像输出标注结果时所需的时间均值。

其中，第一构建单元23在利用所获取的训练数据获取当前神经网络的验证准确率和验证速度时，可以根据全部的训练数据来获取当前神经网络的验证准确率和验证速度。

第一构建单元23在利用所获取的训练数据获取当前神经网络的验证准确率和验证速度时，也可以采用以下方式：使用训练数据对应的训练集对当前神经网络进行预设次数的训练之后，再使用训练数据对应的验证集获取当前神经网络的验证准确率和验证速度。其中，本步骤中的预设次数可以为训练集中所包含图片数量的预设倍数对应的次数。

另外，第一构建单元23在获取当前神经网络的第一评估值之前，还可以执行以下操作：确定当前神经网络的验证速度是否小于等于预设速度，若是，则继续执行获取当前神经网络的第一评估值的步骤，否则舍弃该当前神经网络，重新执行根据搜索空间来构建当前网络结构序列的步骤。因此，第一构建单元23能够进一步提升所构建的神经网络在进行图像检测时的速度，从而使得最终所得到图像检测模型更加适应于移动终端使用。

第二构建单元24，用于根据所述搜索空间，随机替换所述当前网络结构序列中的一个参数的值，得到待选网络结构序列，在利用所述待选网络结构序列生成待选神经网络之后，依据所述训练数据获取所述待选神经网络的第二评估值。

第二构建单元24随机将第一构建单元23所构建的当前网络结构序列中一个参数值替换为确定单元22所确定的搜索空间中该参数对应的取值范围中的其他值，从而得到待选网络结构序列，在利用待选网络结构序列生成新的神经网络之后，再依据获取单元21所获取的训练数据获取待选神经网络的第二评估值。

可以理解的是，第二构建单元24生成待选神经网络以及获取待选神经网络的第二评估值的方法与第一构建单元23生成当前神经网络以及获取当前神经网络的第一评估值的方式相同，在此不进行赘述。

另外，第二构建单元24在依据训练数据获取待选神经网络的第二评估值之前，还可以执行以下操作：确定待选神经网络的验证速度是否小于等于预设速度，若是，则继续执行获取待选神经网络的第二评估值的步骤，否则舍弃该待选神经网络，重新执行根据当前网络结构序列和搜索空间得到待选网络结构序列的步骤。

处理单元25，用于确定所述第一评估值与所述第二评估值之间是否满足预设条件，若否，则将所述待选网络结构序列作为当前网络结构序列，并转至执行根据所述当前网络结构序列和所述搜索空间构建待选网络结构序列的步骤，以此循环进行，直至当前神经网络的第一评估值与待选神经网络的第二评估值之间满足预设条件，输出当前神经网络作为最终神经网络。

处理单元25确定第一构建单元23中所获取的当前神经网络的第一评估值和第二构建单元24所获取的待选神经网络的第二评估值之间是否满足预设条件，若否，则将待选网络结构序列作为当前网络结构序列，将待选神经网络的第二评估值作为当前网络结构序列的第一评估值，再转至第二构建单元24获取待选网络结构序列和待选神经网络的评估值，进而再确定当前神经网络的第一评估值与待选神经网络的第二评估值之间是否满足预设条件，以此循环进行，直至当前神经网络与待选神经网络的评估值之间满足预设条件，则输出最后一次所生成的当前神经网络作为最终神经网络。

具体地，处理单元25中的预设条件可以为待选神经网络的第二评估值小于等于当前神经网络的第一评估值；也可以为待选神经网络的第二评估值小于等于当前神经网络的第一评估值的次数超过预设次数；还可以在循环次数超过预设次数的情况下，待选神经网络的第二评估值小于等于当前神经网络的第一评估值。

训练单元26，用于利用所述训练数据对所述最终神经网络进行训练，直至所述最终神经网络收敛，得到图像检测模型。

训练单元26使用获取单元21所获取的训练数据对处理单元25所得到的最终神经网络进行训练，直至该最终神经网络收敛，得到图像检测模型。利用训练单元26所得到的图像检测模型，能够根据所输入的图像，输出标注有图像中所包含物体的类别及位置的图像。

具体地，训练单元26在利用训练数据对最终神经网络进行训练，直至最终神经网络收敛时，可以采用以下方式：将训练数据中的各图像作为最终神经网络的输入，获取最终神经网络针对各图像的输出结果；根据各图像的输出结果与训练数据中各图像中所包含物体的标注信息确定最终神经网络的损失函数；根据最终神经网络的损失函数调整最终神经网络的参数，直至最终神经网络的损失函数最小化，得到图像检测模型。

可以理解的是，本步骤中最终神经网络的损失函数最小化时可以包括：在预设次数内得到的损失函数相等，或者在预设次数内得到的损失函数之间的差值小于或等于预设阈值，等等。

可以理解的是，若获取单元21所获取的是属于某一应用类别的训练数据，则训练单元26所得到的图像检测模型能够针对属于该应用类别的图像输出准确的检测结果，从而提升图像检测模型针对特定应用类别图像的检测准确率和检测速度。

如图3所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。

总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器028可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统034可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器012使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元016通过运行存储在系统存储器028中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的方法流程。

随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

利用本发明所提供的技术方案，通过所确定的搜索空间来构建网络结构序列，在根据所构建的网络结构序列得到神经网络后，再依据神经网络的评估值来确定具有最优结构的神经网络，进而根据所确定的神经网络来训练得到图像检测模型，无需耗费大量的人力成本来探索神经网络的最优结构，从而缩短图像检测模型的开发周期，提升图像检测模型的开发效率。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (20)

1.一种建立图像检测模型的方法，其特征在于，所述方法包括：

获取训练数据，所述训练数据中包含各图像以及各图像中所包含物体的标注信息；

确定搜索空间，所述搜索空间中包含构建神经网络的各参数以及各参数对应的取值范围；

根据所述搜索空间构建当前网络结构序列，在利用所述当前网络结构序列生成当前神经网络之后，依据所述训练数据获取所述当前神经网络的第一评估值；

根据所述搜索空间，随机替换所述当前网络结构序列中一个参数的值，得到待选网络结构序列，在利用所述待选网络结构序列生成待选神经网络之后，依据所述训练数据获取所述待选神经网络的第二评估值；

确定所述第一评估值与所述第二评估值之间是否满足预设条件，若否，则将所述待选网络结构序列作为当前网络结构序列，并转至执行根据所述搜索空间和当前网络结构序列得到待选网络结构序列的步骤，以此循环进行，直至当前神经网络的第一评估值与待选神经网络的第二评估值之间满足预设条件，输出当前神经网络作为最终神经网络；

利用所述训练数据对所述最终神经网络进行训练，直至所述最终神经网络收敛，得到图像检测模型。

2.根据权利要求1所述的方法，其特征在于，在获取训练数据之后，还包括：按照预设比例，将所述训练数据划分为训练集和验证集。

3.根据权利要求1所述的方法，其特征在于，所述根据所述搜索空间构建当前网络结构序列包括：

分别从所述搜索空间中各参数对应的取值范围中随机选取一个值；

根据各参数以及随机选取的对应各参数的值构建所述当前网络结构序列。

4.根据权利要求2所述的方法，其特征在于，所述依据所述训练数据获取所述当前神经网络的第一评估值包括：

利用所述训练数据获取所述当前神经网络的验证准确率和验证速度；

将所述验证准确率和验证速度的乘积作为所述当前神经网络的第一评估值。

5.根据权利要求4所述的方法，其特征在于，所述利用所述训练数据获取所述当前神经网络的验证准确率和验证速度包括：

使用所述训练集对所述当前神经网络进行预设次数的训练之后，再使用所述验证集获取所述当前神经网络的验证准确率和验证速度。

6.根据权利要求4所述的方法，其特征在于，在将所述验证准确率和验证速度的乘积作为所述当前神经网络的第一评估值之前，还包括：

确定所述当前神经网络的验证速度是否小于等于预设速度；

若是，则继续执行获取所述当前神经网络的第一评估值的步骤，否则舍弃所述当前神经网络，转至执行根据所述搜索空间来构建当前网络结构序列的步骤。

7.根据权利要求2所述的方法，其特征在于，所述依据所述训练数据获取所述待选神经网络的第二评估值包括：

使用所述训练集对所述待选神经网络进行预设次数的训练之后，再使用所述验证集获取所述待选神经网络的验证准确率和验证速度；

将所述验证准确率和验证速度的乘积作为所述待选神经网络的第二评估值。

8.根据权利要求7所述的方法，其特征在于，在将所述验证准确率和验证速度的乘积作为所述待选神经网络的第二评估值之前，还包括：

确定所述待选神经网络的验证速度是否小于等于预设速度；

若是，则继续执行获取所述待选神经网络的评估值的步骤，否则舍弃所述待选神经网络，转至执行根据所述搜索空间和当前网络结构序列得到待选网络结构序列的步骤。

9.根据权利要求1所述的方法，其特征在于，所述利用所述训练数据对所述最终神经网络进行训练，直至所述最终神经网络收敛包括：

将所述训练数据中的各图像作为所述最终神经网络的输入，获取所述最终神经网络针对各图像的输出结果；

根据所述各图像的输出结果与所述训练数据中各图像中所包含物体的标注信息确定所述最终神经网络的损失函数；

根据所述最终神经网络的损失函数调整所述最终神经网络的参数，直至所述最终神经网络的损失函数最小化，得到图像检测模型。

10.一种建立图像检测模型的装置，其特征在于，所述装置包括：

获取单元，用于获取训练数据，所述训练数据中包含各图像以及各图像中所包含物体的标注信息；

确定单元，用于确定搜索空间，所述搜索空间中包含构建神经网络的各参数以及各参数对应的取值范围；

第一构建单元，用于根据所述搜索空间构建当前网络结构序列，在利用所述当前网络结构序列生成当前神经网络之后，依据所述训练数据获取所述当前神经网络的第一评估值；

第二构建单元，用于根据所述搜索空间，随机替换所述当前网络结构序列中一个参数的值，得到待选网络结构序列，在利用所述待选网络结构序列生成待选神经网络之后，依据所述训练数据获取所述待选神经网络的第二评估值；

处理单元，用于确定所述第一评估值与所述第二评估值之间是否满足预设条件，若否，则将所述待选网络结构序列作为当前网络结构序列，并转至执行根据所述搜索空间和当前网络结构序列得到待选网络结构序列的步骤，以此循环进行，直至当前神经网络的第一评估值与待选神经网络的第二评估值之间满足预设条件，输出当前神经网络作为最终神经网络；

训练单元，用于利用所述训练数据对所述最终神经网络进行训练，直至所述最终神经网络收敛，得到图像检测模型。

11.根据权利要求10所述的装置，其特征在于，所述获取单元在获取训练数据之后，还执行：按照预设比例，将所述训练数据划分为训练集和验证集。

12.根据权利要求10所述的装置，其特征在于，所述第一构建单元在根据所述搜索空间构建当前网络结构序列时，具体执行：

分别从所述搜索空间中各参数对应的取值范围中随机选取一个值；

根据各参数以及随机选取的对应各参数的值构建所述当前网络结构序列。

13.根据权利要求11所述的装置，其特征在于，所述第一构建单元在依据所述训练数据获取所述当前神经网络的第一评估值时，具体执行：

利用所述训练数据获取所述当前神经网络的验证准确率和验证速度；

将所述验证准确率和验证速度的乘积作为所述当前神经网络的第一评估值。

14.根据权利要求13所述的装置，其特征在于，所述第一构建单元在利用所述训练数据获取所述当前神经网络的验证准确率和验证速度时，具体执行：

使用所述训练集对所述当前神经网络进行预设次数的训练之后，再使用所述验证集获取所述当前神经网络的验证准确率和验证速度。

15.根据权利要求13所述的装置，其特征在于，所述第一构建单元在将所述验证准确率和验证速度的乘积作为所述当前神经网络的第一评估值之前，还执行：

确定所述当前神经网络的验证速度是否小于等于预设速度；

若是，则继续执行获取所述当前神经网络的第一评估值的步骤，否则舍弃所述当前神经网络，转至执行根据所述搜索空间来构建当前网络结构序列的步骤。

16.根据权利要求11所述的装置，其特征在于，所述第二构建单元在依据所述训练数据获取所述待选神经网络的第二评估值时，具体执行：

使用所述训练集对所述待选神经网络进行预设次数的训练之后，再使用所述验证集获取所述待选神经网络的验证准确率和验证速度；

将所述验证准确率和验证速度的乘积作为所述待选神经网络的第二评估值。

17.根据权利要求16所述的装置，其特征在于，所述第二构建单元在将所述验证准确率和验证速度的乘积作为所述待选神经网络的第二评估值之前，还执行：

确定所述待选神经网络的验证速度是否小于等于预设速度；

若是，则继续执行获取所述待选神经网络的第二评估值的步骤，否则舍弃所述待选神经网络，转至执行根据所述搜索空间和当前网络结构序列得到待选网络结构序列的步骤。

18.根据权利要求10所述的装置，其特征在于，所述训练单元在利用所述训练数据对所述最终神经网络进行训练，直至所述最终神经网络收敛时，具体执行：

将所述训练数据中的各图像作为所述最终神经网络的输入，获取所述最终神经网络针对各图像的输出结果；

根据所述各图像的输出结果与所述训练数据中各图像中所包含物体的标注信息确定所述最终神经网络的损失函数；

根据所述最终神经网络的损失函数调整所述最终神经网络的参数，直至所述最终神经网络的损失函数最小化，得到图像检测模型。

19.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～9中任一项所述的方法。

20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～9中任一项所述的方法。