CN110597775A - 深度学习平台中图片格式的转换方法及装置 - Google Patents
深度学习平台中图片格式的转换方法及装置 Download PDFInfo
- Publication number
- CN110597775A CN110597775A CN201910831724.3A CN201910831724A CN110597775A CN 110597775 A CN110597775 A CN 110597775A CN 201910831724 A CN201910831724 A CN 201910831724A CN 110597775 A CN110597775 A CN 110597775A
- Authority
- CN
- China
- Prior art keywords
- picture
- format
- trained
- training frame
- supported
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000013135 deep learning Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 166
- 238000006243 chemical reaction Methods 0.000 claims abstract description 102
- 101100083337 Schizosaccharomyces pombe (strain 972 / ATCC 24843) pic1 gene Proteins 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 101100243951 Caenorhabditis elegans pie-1 gene Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/178—Techniques for file synchronisation in file systems
- G06F16/1794—Details of file format conversion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种深度学习平台中图片格式的转换方法,包括:获取待训练图片的图片格式;判断所述待训练图片的图片格式是否为当前训练框架支持的图片格式;若所述待训练图片的图片格式不是当前训练框架支持的图片格式,则对所述待训练图片的图片格式进行转换,生成与所述待训练图片对应的格式转换图片,并将所述格式转换图片输入训练框架进行训练。本发明实施例提供的深度学习平台中图片格式的转换方法中,通过对图片格式不属于当前训练框架支持的图片格式的待训练图片进行图片格式的转换,经转换后的图片格式为当前训练框架支持的图片格式。故无论学习平台当前使用何种训练框架进行训练,用户可选择训练的图片格式可以不受限制,用户体验良好。
Description
技术领域
本发明涉及机器学习技术领域,特别是涉及一种深度学习平台中图片格式的转换方法及装置。
背景技术
随着人工智能技术的发展,机器学习逐渐成为了人们热议的话题,深度学习正是机器学习领域中一个重要的研究方向。深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图片和声音等数据的解释有很大的帮助。
随着科学技术的发展,出现了越来越多实现深度学习目标的深度学习平台,其中,用于图片分析的深度学习平台为常见的深度学习平台之一。在用于图片分析的深度学习平台中,前端主要是开发用户所能接触的前端展示界面,如用户选择待分析的图片进行输入的页面,而后端主要是开发用户不可见的实现逻辑功能等功能的模块,如为实现训练所搭建的训练框架。
在深度学习平台的使用中,前端展示界面与用户体验关联密切。而在现有技术中,用户输入页面所允许输入图片的格式,通常都是有限的。若用户在界面中选择图片的格式不属于该学习平台所允许输入的图片格式,前端展示界面一般会提示用户选择的格式不正确,不支持上传,用户还需自行进行图片处理才能完成输入,这使得用户的使用体验较差。
发明内容
有鉴于此,本发明实施例提供了一种深度学习平台中图片格式的转换方法,以解决前端界面输入图片的格式限制导致用户体验较差的问题。
本发明实施例还提供了一种深度学习平台中图片格式的转换装置,用以保证上述方法实际中的实现及应用。
为实现上述目的,本发明实施例提供如下技术方案:
一种深度学习平台中图片格式的转换方法,包括:
获取待训练图片的图片格式;
判断所述待训练图片的图片格式是否为当前训练框架支持的图片格式;
若所述待训练图片的图片格式不是所述当前训练框架支持的图片格式,则对所述待训练图片的图片格式进行转换,生成与所述待训练图片对应的格式转换图片,并将所述格式转换图片输入训练框架进行训练;所述格式转换图片的图片格式为所述当前训练框架支持的图片格式。
上述的方法,可选的,所述获取待训练图片的图片格式,包括:
解析所述待训练图片的图片信息,获取所述图片信息中包含的所述待训练图片的后缀名;
将所述待训练图片的后缀名,作为所述待训练图片的图片格式。
上述的方法,可选的,所述判断所述待训练图片的图片格式是否为当前训练框架支持的图片格式,包括:
获取所述当前训练框架支持的图片的后缀名;
判断所述待训练图片的后缀名是否属于所述当前训练框架支持的图片的后缀名;
若所述待训练图片的后缀名不属于所述当前训练框架支持的图片的后缀名,则判断所述待训练图片的图片格式不是所述当前训练框架支持的图片格式。
上述的方法,可选的,所述对所述待训练图片的图片格式进行转换,生成与所述待训练图片对应的格式转换图片,包括:
将所述待训练图片导入预先创建的画布;
基于预先设定的转换方法,将导入有所述待训练图片的画布转换为与所述待训练图片对应的格式转换图片。
上述的方法,可选的,还包括:
对所述格式转换图片的编码方式进行转换,使所述格式转换图片采用预先设定的编码方式进行编码。
一种深度学习平台中图片格式的转换装置,包括:
格式获取单元,用于获取待训练图片的图片格式;
格式判断单元,用于判断所述待训练图片的图片格式是否为当前训练框架支持的图片格式;
格式转换单元,用于当所述待训练图片的图片格式不是所述当前训练框架支持的图片格式时,对所述待训练图片的图片格式进行转换,生成与所述待训练图片对应的格式转换图片;所述格式转换图片的图片格式为所述当前训练框架支持的图片格式;
图片输入单元,用于将所述格式转换图片输入训练框架进行训练。
上述的装置,可选的,所述格式获取单元,包括:
获取子单元,用于解析所述待训练图片的图片信息,获取所述图片信息中包含的所述待训练图片的后缀名;
将所述待训练图片的后缀名,作为所述待训练图片的图片格式。
上述的装置,可选的,所述格式判断单元,包括:
判断子单元,用于获取所述当前训练框架支持的图片的后缀名;
判断所述待训练图片的后缀名是否属于所述当前训练框架支持的图片的后缀名;
若所述待训练图片的后缀名不属于所述当前训练框架支持的图片的后缀名,则判断所述待训练图片的图片格式不是所述当前训练框架支持的图片格式。
上述的装置,可选的,所述格式转换单元,包括:
转换子单元,用于将所述待训练图片导入预先创建的画布;
基于预先设定的转换方法,将导入有所述待训练图片的画布转换为与所述待训练图片对应的格式转换图片。
上述的装置,可选的,还包括:
编码转换单元,用于对所述格式转换图片的编码方式进行转换,使所述格式转换图片采用预先设定的编码方式进行编码。
基于上述本发明实施例提供的一种深度学习平台中图片格式的转换方法,包括:获取待训练图片的图片格式;判断所述待训练图片的图片格式是否为当前训练框架支持的图片格式;若所述待训练图片的图片格式不是所述当前训练框架支持的图片格式,则对所述待训练图片的图片格式进行转换,生成与所述待训练图片对应的格式转换图片,并将所述格式转换图片输入训练框架进行训练;所述格式转换图片的图片格式为所述当前训练框架支持的图片格式。本发明实施例提供的深度学习平台中图片格式的转换方法中,通过获取待训练图片的图片格式,经判断若所述待训练图片的图片格式不是当前训练框架支持的图片格式时,将所述待训练图片的图片格式转换为符合当前训练框架支持的图片格式,生成对应的格式转换图片,以所述格式转换图片输入当前的训练框架,以便于完成后续的训练。故通过本发明实施例提供的方法,无论用户选择输入了何种格式的待训练图片,所述待训练图片均能顺利输入训练框架进行后续训练,则无需因输入图片与训练框架之间的格式匹配问题对用户选择图片的格式加以限制。应用本发明实施例提供的方法,用户选择任意格式的图片输入深度学习平台,均能够顺利完成图片的输入,改善了深度学习平台的用户使用体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种深度学习平台中图片格式的转换方法的方法流程图;
图2为本发明实施例提供的一种深度学习平台中图片格式的转换方法的另一方法流程图;
图3为本发明实施例提供的一种深度学习平台中图片格式的转换方法的又一方法流程图;
图4为本发明实施例提供的一种深度学习平台中图片格式的转换装置的结构示意图;
图5为本发明实施例提供的一种深度学习平台中图片格式的转换装置的又一结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
深度学习平台的用户使用体验是搭建深度学习平台需要考虑的要素之一。在现有深度学习平台中,在使用不同的训练框架对图片进行训练时,因不同训练框架分别仅支持对部分图片格式的图片进行训练,若向训练框架输入其不支持的格式的图片,则无法完成训练任务,故现有的深度学习平台对用户选择输入图片的格式进行了限制,不支持用户输入不符合训练框架支持的图片格式的图片,用户需自行对格式进行转换,才能完成待训练图片的输入,这导致用户对于深度学习平台的使用体验不佳。
因此,本发明实施例通过获取待训练图片的图片格式,并加以判断,当待训练图片的图片格式不符合当前训练框架支持的图片格式时,对所述待训练图片进行图片格式的转换,以解决因待训练图片的图片格式与训练框架支持的图片格式不匹配而限制用户选择的问题。
图1示出了本发明实施例提供的深度学习平台中图片格式的转换方法的方法流程图,包括:
S101:获取待训练图片的图片格式;
本发明实施例提供的方法中,可以获取用户选择的、需要通过训练框架进行训练的图片的图片格式。在用户通过深度学习平台的输入界面,选择图片上传平台后,可以直接获取用户于输入界面选择输入的图片作为待训练图片,也可以从收集用户上传图片的图片库获取图片作为待训练图片。可以通过对所述待训练图片的图片信息进行分析,将其图片名称的后缀名作为所述待训练图片的图片格式。也可以通过预先设置的代码,获取所述待训练图片的图片格式。
S102:判断所述待训练图片的图片格式是否为当前训练框架支持的图片格式;
本发明实施例提供的方法中,会将经获取的待训练图片的图片格式与当前深度学习平台中所使用训练框架支持的图片格式进行比较,所述当前训练框架可能仅支持一种图片格式,也可能支持多种图片格式。若所述当前训练框架支持的图片格式,均与所述待训练图片的图片格式不同,则认为所述待训练图片的图片格式不是所述当前训练框架支持的图片格式。所述当前训练框架支持的图片格式可以为已预先存储的,可以直接从预先存储的信息中读取当前训练框架支持的图片格式,与待训练图片的图片格式进行比较判断。
S103:若所述待训练图片的图片格式不是所述当前训练框架支持的图片格式,则对所述待训练图片的图片格式进行转换,生成与所述待训练图片对应的格式转换图片;
本发明实施例提供的方法中,当经判断所述待训练图片的图片格式不是当前训练框架支持的图片格式时,可以对所述待训练图片的图片格式进行转换,例如可以通过调用图片处理工具进行图片格式转换,也可以通过预先设置的脚本进行图片格式的转换,生成与所述待训练图片对应的格式转换图片,所述的图片格式转换是针对所述当前训练框架所支持的图片格式进行的,即将所述待训练图片的图片格式转换为所述当前训练框架支持的格式,即所述格式转换图片的图片格式为所述当前训练框架支持的图片格式。
S104:将所述格式转换图片输入训练框架进行训练。
本发明实施例提供的方法中,可以将已完成格式转换的格式转换图片,输入训练框架进行训练。所述格式转换图片的图片格式为当前训练框架支持的,所述训练框架可以接收所述格式转换图片进行训练。
本发明实施例提供的深度学习平台中图片格式的转换方法,在用户选择将图片上传平台作为待训练图片时,通过获取待训练图片的图片格式,判断所述待训练图片的图片格式是否属于当前训练框架支持的图片格式,如果不是,则对待训练图片的图片格式进行转换,得到与所述待训练图片对应的格式转换图片,所述格式转换图片的图片格式即为所述当前训练框架支持的图片格式。通过本发明实施例提供的方法,对待训练图片的图片格式转换,是针对当前训练框架所支持的图片格式进行的,经转换得到的格式转换图片的图片格式是与当前训练框架所支持的图片格式相匹配的,当前的训练框架可以应用所述格式转换图片进行训练,实现对待训练图片进行训练的目的。而通过本发明实施例提供的方法可以解决待训练图片的图片格式与当前训练框架所支持的图片格式不符,而无法对图片进行训练的问题,故无需再对用户选择待训练图片的图片格式进行限制,深度学习平台能给用户带来更好的使用体验。
进一步的,在上述图1所示出的本发明实施例中,还可以包括:
对所述格式转换图片的编码方式进行转换,使所述格式转换图片采用预先设定的编码方式进行编码。
本发明实施例提供的方法中,可以在获得所述格式转换图片后,对所述格式转换图片的编码方式进行转换,将所述格式转换图片的编码方式转换为预先设定的编码方式,如用户选择输入的待训练图片为使用二进制方式进行编码,在完成对待训练图片的图片格式的转换,得到所述格式转换图片后,可以通过嵌入预先设定的脚本,将所述格式转换图片的编码方式转换为预先设定的编码方式,如将与所述待训练图片对应的格式转换图片的编码方式为二进制方式编码,通过预先设定的脚本,将所述格式转换图片的编码方式转换为Base64方式编码。
通过本发明实施例提供的方法,将用户输入的待训练图片的图片格式转换当前训练框架所支持的图片格式,解决待训练图片的图片格式与所述当前训练框架的匹配问题,避免限制用户选择待训练图片的图片格式,改善用户使用体验。还可以实现对所述格式转换图片编码方式的转换,将所述格式转换图片输入训练框架后无需再通过代码进行图片转码再解码,而训练框架接收到所述格式转换图片后可以进行后续的识别训练,减少了训练框架对图片的处理。
在上述所提供的本发明实施例中,步骤S101中所述获取待训练图片的图片格式可以通过获取所述待训练图片的图片名称中的后缀名,确定所述待训练图片的图片格式,后续可基于后缀名进行待训练图片的图片格式与当前训练框架所支持的图片格式是否相符合的判断。
据此,参考图2,示出了本发明实施例提供的深度学习平台中图片格式的转换方法的另一方法流程图,包括:
S201:解析待训练图片的图片信息,获取所述图片信息中包含的所述待训练图片的后缀名;
本发明实施例提供的方法中,当用户将图片输入深度学习平台等待训练,可以通过解析待训练图片的图片信息,所述图片信息中可以包含所述待训练图片的图片名称,可以从所述图片名称中获取所述待训练图片的后缀名,可以将获取的所述待训练图片的后缀名作为所述待训练图片的图片格式。例如用户在输入页面选择了图片名称为pic.jpg的进行上传,作为待训练图片,可以在通过在页面中插入预先设置的脚本,获取所述待训练图片的路径,从所述路径中可以获取所述待训练图片的图片名称“pic.jpg”,从图片名称“pic.jpg”可以获取后缀名为“.jpg”,则所述待训练图片的图片格式为JPG格式。
S202:获取所述当前训练框架支持的图片的后缀名,判断所述待训练图片的后缀名是否属于所述当前训练框架支持的图片的后缀名;
本发明实施例提供的方法中,可以通过获取所述当前训练框架支持的图片的后缀名,所述当前训练框架支持的图片的后缀名可以从预先存储的训练框架信息中获取,通过将所述待训练图片的后缀名与所述当前训练框架支持的图片的后缀名进行比较,若所述待训练图片的后缀名不属于所述当前训练框架支持的图片的后缀名,则判断所述待训练图片的图片格式不是所述当前训练框架支持的图片格式。例如获取所得待训练图片的后缀名为“.jpg”,而从预先存储的当前训练框架的信息中,获取得到所述当前训练框架所支持的图片的后缀名为“.bmp”与“.png”,将后缀名“.jpg”与“.bmp”、“.png”进行比较,显然“.jpg”与“.bmp”不相符,与“.png”也不相符,该训练框架支持的图片格式应为BMP格式与PNG格式,则认为该待训练图片的图片格式不是所述当前训练框架所支持的图片格式。
S203:当所述待训练图片的后缀名不属于所述当前训练框架支持的图片的后缀名时,则对所述待训练图片的图片格式进行转换,生成与所述待训练图片对应的格式转换图片;
本发明实施例提供的方法中,通过获取所述待训练图片的后缀名以及获取所述当前训练框架支持的图片的后缀名,当所述待训练图片的后缀名不是所述当前训练框架支持的图片的后缀名时,则认为所述待训练图片的图片格式不是所述当前训练框架支持的图片格式。所述对所述待训练图片的图片格式进行转换,生成与所述待训练图片对应的格式转换图片,与前述提供的本发明实施例中步骤103的内容一致,此处不再赘述。
S204:将所述格式转换图片输入训练框架进行训练;
本发明实施例提供的方法中,步骤S204与前述提供的本发明实施例中,步骤S104内容一致,此处不再赘述。
本发明实施例提供的深度学习平台中图片格式的转换方法,在用户选择将图片上传平台作为待训练图片时,通过获取待训练图片的后缀名,将所述待训练图片的后缀名作为待训练图片的图片格式,通过将所述待训练图片的后缀名与当前训练框架支持的图片的后缀名进行比较判断,继而确定所述待训练图片的图片格式是否为当前训练框架支持的图片格式,当所述待训练图片的图片格式不是当前训练框架支持的图片格式时,对所述待训练图片的图片格式进行转换,生成对应的格式转换图片,以便于所述当前训练框架进行训练。通过本发明实施例提供的方法,可以通过对待训练图片的图片格式的转换,使输入当前训练框架的图片的图片格式是所述当前训练框架所支持的图片格式,从而不再对用户选择待训练图片的图片格式进行限制,改善了用户使用体验。进一步的,本发明实施例可以通过图片的后缀名,进行图片格式的判断,后缀名这一参数在实际操作中较为容易获取,可以以较为简便的手段实现本发明实施例提供的方法。
进一步的,前述本发明实施例所提供的方法中,所述步骤103或步骤203中,所述对所述待训练图片的图片格式进行转换,生成与所述待训练图片对应的格式转换图片,包括:
将所述待训练图片导入预先创建的画布;
基于预先设定的转换方法,将导入有所述待训练图片的画布转换为与所述待训练图片对应的格式转换图片。
参考图3,示出了本发明实施例提供的一种深度学习平台中图片格式的转换方法的又一方法流程图。
用户通常在深度学习平台所提供的输入页面,选择图片输入深度学习平台,作为待训练图片,以供训练框架进行训练。
当用户在输入页面中,选择用户的本地图片,上传至页面,用户所选择上传的图片,即为需输入训练框架进行训练的待训练图片。例如用户上传了图片名称为“pic1.bmp”的本地图片。
接受用户上传图片的输入页面为一个html网页,可以在输入页面中插入预先设置javascript脚本,通过预先设置的javascript脚本可以获取上传至输入页面的待训练图片的路径,获取的路径中,最后一部分为所述待训练图片的图片名称“pic1.bmp”,从所述图片名称中截取所述待训练图片的后缀名,得到其后缀名为“.bmp”,即可认为所述待训练图片的图片格式为BMP格式。
学习平台中通常储存有当前所使用训练框架的信息,包括当前训练框架的名称,当前训练框架所支持的图片的后缀名。如从预先存储的当前训练框架的信息中,得到当前所使用的训练框架为TensorFlow,该训练框架所支持的图片的后缀名为“.jpg”和“.png”。将待训练图片的后缀名“.bmp”与该训练框架所支持的图片后缀名“.jpg”与“.png”分别进行比较,可得到“.bmp”与“.jpg”及“.png”均不相符,则判断所述待训练图片“pic1.bmp”的图片格式不是当前训练框架TensorFlow所支持的图片格式。
当所述待训练图片的图片格式不是当前训练框架所支持的图片格式时,可通过用户上传所述待训练图片的html网页中的“canvas”标签,对所述待训练图片的图片格式进行转换,生成与所述待训练图片格式对应的格式转换图片,所述格式转换图片的图片格式为所述当前训练框架支持的图片格式。具体为,先执行“canvas”标签中的“document.createElement”函数,创建一个canvas画布,执行“canvas.getContext(‘2d’)”,为所述canvas画布返回一个进行2d图像绘制的绘图环境,然后使用“drawImage”的方法将所述待训练图片“pic1.bmp”导入所述canvas画布。通过“toDataURL()”方法,可以将导入有“pic1.bmp”的canvas画布,输出为指定格式的格式转换图片,且通过“toDataURL()”方法输出的图片是采用Base64的编码方式进行编码的。如指定输出图片格式为JPG格式的图片,则可以得到的图片格式为JPG格式的格式转换图片“pic1.jpg”,所述格式转换图片“pic1.jpg”以Base64的编码方式编码。
通过图片格式的转换,得到格式转换图片“pic1.jpg”后,可以将所述格式转换图片“pic1.jpg”输入训练框架,所述格式转换图片的后缀名为“.jpg”,为当前训练框架TensorFlow所支持的图片的后缀名,该训练框架可应用所述格式转换图片“pic1.jpg”进行训练。
若用户在输入页面中选择了图片名称为“pic2.jpg”的图片进行上传,作为待训练图片,通过本发明实施例提供的方法判断,待训练图片“pic2.jpg”为当前训练框架TensorFlow所支持的图片格式,此时可以将待训练图片“pic2.jpg”直接输入当前训练框架,以便于进行训练,也可以执行本发明实施例提供的图片转换方法再输入训练框架。
与图1所示深度学习平台中图片格式的转换方法相对应的,本发明实施例还提供了一种深度学习平台中图片格式的转换装置,用于对图1中所示方法的具体实现,其结构示意图如图4所示,包括:
格式获取单元301,用于获取待训练图片的图片格式;
格式判断单元302,用于判断所述待训练图片的图片格式是否为当前训练框架支持的图片格式;
格式转换单元303,用于当所述待训练图片的图片格式不是所述当前训练框架支持的图片格式时,对所述待训练图片的图片格式进行转换,生成与所述待训练图片对应的格式转换图片;所述格式转换图片的图片格式为所述当前训练框架支持的图片格式;
图片输入单元304,用于将所述格式转换图片输入训练框架进行训练。
本发明实施例提供的装置中,可以通过格式获取单元301获取待训练图片的图片格式,通过格式判断单元302,判断所述待训练图片的图片格式是否为当前训练框架支持的图片格式,当所述待训练图片的图片格式不是所述当前训练框架支持的图片格式时,通过格式转换单元303进行所述待训练图片的图片格式的转换,生成与所述待训练图片对应的格式转换图片;所述格式转换图片的图片格式为所述当前训练框架支持的图片格式;最后通过图片输入单元304,将所述格式转换图片输入训练框架进行训练。基于本发明实施例提供的装置,可以对图片格式不属于当前训练框架所支持的图片格式的待训练图片进行格式转换,解决了因待训练图片与当前训练框架之间的图片格式不符,而对用户选择待训练图片的图片格式进行限制的问题,改善了用户选择待训练图片进行输入时的使用体验。
参考图5,示出了本发明实施例提供的一种深度学习平台中图片格式的转换装置的又一结构示意图:
所述格式获取单元301,包括:
获取子单元305,用于解析所述待训练图片的图片信息,获取所述图片信息中包含的所述待训练图片的后缀名;将所述待训练图片的后缀名,作为所述待训练图片的图片格式。
所述格式判断单元302,包括:
判断子单元306,用于获取所述当前训练框架支持的图片的后缀名;判断所述待训练图片的后缀名是否属于所述当前训练框架支持的图片的后缀名;若所述待训练图片的后缀名不属于所述当前训练框架支持的图片的后缀名,则判断所述待训练图片的图片格式不是所述当前训练框架支持的图片格式。
所述格式转换单元303,包括:
转换子单元307,用于将所述待训练图片导入预先创建的画布;基于预先设定的转换方法,将导入有所述待训练图片的画布转换为与所述待训练图片对应的格式转换图片。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种深度学习平台中图片格式的转换方法,其特征在于,包括:
获取待训练图片的图片格式;
判断所述待训练图片的图片格式是否为当前训练框架支持的图片格式;
若所述待训练图片的图片格式不是所述当前训练框架支持的图片格式,则对所述待训练图片的图片格式进行转换,生成与所述待训练图片对应的格式转换图片,并将所述格式转换图片输入训练框架进行训练;所述格式转换图片的图片格式为所述当前训练框架支持的图片格式。
2.根据权利要求1所述的方法,其特征在于,所述获取待训练图片的图片格式,包括:
解析所述待训练图片的图片信息,获取所述图片信息中包含的所述待训练图片的后缀名;
将所述待训练图片的后缀名,作为所述待训练图片的图片格式。
3.根据权利要求2所述的方法,其特征在于,所述判断所述待训练图片的图片格式是否为当前训练框架支持的图片格式,包括:
获取所述当前训练框架支持的图片的后缀名;
判断所述待训练图片的后缀名是否属于所述当前训练框架支持的图片的后缀名;
若所述待训练图片的后缀名不属于所述当前训练框架支持的图片的后缀名,则判断所述待训练图片的图片格式不是所述当前训练框架支持的图片格式。
4.根据权利要求1所述的方法,其特征在于,所述对所述待训练图片的图片格式进行转换,生成与所述待训练图片对应的格式转换图片,包括:
将所述待训练图片导入预先创建的画布;
基于预先设定的转换方法,将导入有所述待训练图片的画布转换为与所述待训练图片对应的格式转换图片。
5.根据权利要求1所述的方法,其特征在于,还包括:
对所述格式转换图片的编码方式进行转换,使所述格式转换图片采用预先设定的编码方式进行编码。
6.一种深度学习平台中图片格式的转换装置,其特征在于,包括:
格式获取单元,用于获取待训练图片的图片格式;
格式判断单元,用于判断所述待训练图片的图片格式是否为当前训练框架支持的图片格式;
格式转换单元,用于当所述待训练图片的图片格式不是所述当前训练框架支持的图片格式时,对所述待训练图片的图片格式进行转换,生成与所述待训练图片对应的格式转换图片;所述格式转换图片的图片格式为所述当前训练框架支持的图片格式;
图片输入单元,用于将所述格式转换图片输入训练框架进行训练。
7.根据权利要求6所述的装置,其特征在于,所述格式获取单元,包括:
获取子单元,用于解析所述待训练图片的图片信息,获取所述图片信息中包含的所述待训练图片的后缀名;
将所述待训练图片的后缀名,作为所述待训练图片的图片格式。
8.根据权利要求7所述的装置,其特征在于,所述格式判断单元,包括:
判断子单元,用于获取所述当前训练框架支持的图片的后缀名;
判断所述待训练图片的后缀名是否属于所述当前训练框架支持的图片的后缀名;
若所述待训练图片的后缀名不属于所述当前训练框架支持的图片的后缀名,则判断所述待训练图片的图片格式不是所述当前训练框架支持的图片格式。
9.根据权利要求6所述的装置,其特征在于,所述格式转换单元,包括:
转换子单元,用于将所述待训练图片导入预先创建的画布;
基于预先设定的转换方法,将导入有所述待训练图片的画布转换为与所述待训练图片对应的格式转换图片。
10.根据权利要求6所述的装置,其特征在于,还包括:
编码转换单元,用于对所述格式转换图片的编码方式进行转换,使所述格式转换图片采用预先设定的编码方式进行编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910831724.3A CN110597775A (zh) | 2019-09-04 | 2019-09-04 | 深度学习平台中图片格式的转换方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910831724.3A CN110597775A (zh) | 2019-09-04 | 2019-09-04 | 深度学习平台中图片格式的转换方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110597775A true CN110597775A (zh) | 2019-12-20 |
Family
ID=68857497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910831724.3A Pending CN110597775A (zh) | 2019-09-04 | 2019-09-04 | 深度学习平台中图片格式的转换方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110597775A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114095783A (zh) * | 2021-11-29 | 2022-02-25 | 中国平安财产保险股份有限公司 | 图片上传方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399864A (zh) * | 2013-07-05 | 2013-11-20 | 北京小米科技有限责任公司 | 一种图片转换方法及装置 |
US20190080440A1 (en) * | 2017-09-08 | 2019-03-14 | Interdigital Vc Holdings, Inc. | Apparatus and method to convert image data |
CN110139109A (zh) * | 2018-02-08 | 2019-08-16 | 北京三星通信技术研究有限公司 | 图像的编码方法及相应终端 |
-
2019
- 2019-09-04 CN CN201910831724.3A patent/CN110597775A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399864A (zh) * | 2013-07-05 | 2013-11-20 | 北京小米科技有限责任公司 | 一种图片转换方法及装置 |
US20190080440A1 (en) * | 2017-09-08 | 2019-03-14 | Interdigital Vc Holdings, Inc. | Apparatus and method to convert image data |
CN110139109A (zh) * | 2018-02-08 | 2019-08-16 | 北京三星通信技术研究有限公司 | 图像的编码方法及相应终端 |
Non-Patent Citations (1)
Title |
---|
GL3_24: "深度学习制作数据集时修改图像格式", 《HTTPS://BLOG.CSDN.NET/GL3_24/ARTICLE/DETAILS/96422688》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114095783A (zh) * | 2021-11-29 | 2022-02-25 | 中国平安财产保险股份有限公司 | 图片上传方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960316B (zh) | 用于生成模型的方法和装置 | |
CN109583952B (zh) | 广告文案处理方法、装置、设备及计算机可读存储介质 | |
US20210216725A1 (en) | Method and apparatus for processing information | |
CN111382261B (zh) | 摘要生成方法、装置、电子设备及存储介质 | |
CN113392236A (zh) | 一种数据分类方法、计算机设备及可读存储介质 | |
CN111914076B (zh) | 一种基于人机对话的用户画像构建方法、系统、终端及存储介质 | |
US20240078385A1 (en) | Method and apparatus for generating text | |
CN112183048A (zh) | 一种自动解题方法、装置、计算机设备及存储介质 | |
US20120005564A1 (en) | Content distribution system and method | |
CN112149642A (zh) | 一种文本图像识别方法和装置 | |
CN111460185A (zh) | 书籍搜索方法、装置和系统 | |
CN113111812A (zh) | 一种嘴部动作驱动模型训练方法及组件 | |
CN109816023B (zh) | 用于生成图片标签模型的方法和装置 | |
CN112256827A (zh) | 一种手语翻译方法、装置、计算机设备及存储介质 | |
CN110597775A (zh) | 深度学习平台中图片格式的转换方法及装置 | |
CN115757725A (zh) | 问答处理方法、装置、计算机设备及存储介质 | |
CN114821613A (zh) | 一种pdf中表格信息的抽取方法和系统 | |
CN111063006A (zh) | 基于图像的文学作品生成方法、装置、设备及存储介质 | |
CN113569068B (zh) | 描述内容生成方法、视觉内容的编码、解码方法、装置 | |
CN112800177B (zh) | 基于复杂数据类型的faq知识库自动生成方法和装置 | |
CN111488731B (zh) | 文件生成方法、装置、计算机设备以及存储介质 | |
CN110442806B (zh) | 用于识别图像的方法和装置 | |
CN116958738A (zh) | 图片识别模型的训练方法和装置、存储介质及电子设备 | |
CN116168108A (zh) | 文本生成图像的方法及装置、存储介质及电子设备 | |
US20230396857A1 (en) | Video generation method and apparatus, and electronic device and computer-readable medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |